数据缺失条件下AR（p）模型参数不确定性研究.pdfVIP

第 11期 (总第 354期) 吉 林 水 利 2011年 11月 [文章编号]1009-2846(2011)11-0022--04 数据缺失条件下AR(p)模型参数不确定性研究 王龙江 ．戴 荣z (1．新疆塔城水文水资源勘测局，新疆 塔城 834700； 2．中国水电顾问集团西北勘测设计研究院，陕西 西安 710065) [摘要]在数据缺失条件下，探讨贝叶斯推断法在AR(p)模型参数不确定性研究中的应用。根据Bayesian理论与 Mark0vchainMonteCralo(i~称MCMC)~．在WinBUGS软件中搜索一个或更多数据缺失时AR(p)-~~M参数的后验 状态空间。计算结果表明。贝叶斯推断法既能充分利用现有资料信息，又能考虑参数的不确定性，是一种AR(p)模 型参数估计的有效方法。 【关键词]数据缺失；贝叶斯推断法；AR(p)模型；不确定性分析；WinBUGS软件 [中图分类号]TV222 [文献标识码]B 水文过程中．当水文变量在时序上存在着很 强的相依性时。适合用AR(p)模型模拟这些变量 ， 1 AR(p)模型的贝叶斯分析 并进行预报。其计算公式为： xtg／+al(xl—)+啦 c_rl￡)+‘…+ 坤一u)+ (1) Bayesian理论是利用与未知变量有关 的统计 式中：为序列均值 ；P为阶数 ；m，a2，ap为参 数据来获得未知变量的条件分布函数[．即未知变 数 ； 为正态的独立 同分布的随机变量 ，均值为 0， 量的后验概率密度 函数．基本公式为 ： 方差为 。 p(Ox／) 触／ (2) 当AR(p)模型阶数P确定后 ，AR(p)的估计 问 式 中：0和 分别代表未知的随机变量和与之 题就是利用一组连续的观察值推断式(1)qh均值 。 相关的统计数据 ，p( 为后验概率密度函数 参数 a。，，…， 和随机变量 的方差 。然而，在 为似然函数， 为先验分布。 我 国。水文时间序列不但样本容量不是很大，而且 针对所研究的AR(p)模型．本文对缺失数据的 又常常出现数据缺失。对于这种情况 。以往的做法 处理非常简单 ．即把每个缺失项都视做一个待估 是通过其它信息插补出缺失的数据。但是，当没有 变量 。若神={ ，。，…， 】表示缺失的数 与所考虑的时间序列相关的信息时．只能舍弃部 分数据 ，取其连续的数据 ，并通过传统法(包括矩 据集，={，，。，…，。}表示观测到的数据集， 法1估计 XR(p)模型参数，这样不仅造成了信息的损 = fXab， 。}= ，X．2，…， “}表示完整的数据集， 失 。同时还增加 AR(p)模型参数推断的不确定性 。 = {u，ch，n2，…，a，)表示所有待估参数，则观测 为了解决上述问题 。本文提出了贝叶斯推断法，即 数据条件下待估参数0的后验密度函数[】为： 基于Bayesian理论框架的MCMC方法及数据增广 r p(OIx~，) f ， (3) 算法(DA)t1．通过使用以Gibbs抽样技术为理论基 础 的WinBUGS软件来处理数据缺失条件下AR(p) 式中：g(为参数的先验分布 为似然函 模型参数分布的估计 。 数 ．其计算公式为： h ． ．)2 ： n e一丁