Semi-parametric Learning of Structured Temporal Point Processes
Semi-parametric Learning of Structured Temporal Point Processes
复制标题
结构化时间点过程的半参数学习
DOI：
--
复制
发表时间：
2020-09
影响因子：
6
通讯作者：
Guan Yongtao
中科院分区：
文献类型：
--
作者：
Xu Ganggang;Wang Ming;Bian Jiangze;Huang Hui;Burch Timothy R.;Andrade S;ro C.;Zhang Jingfei;Guan Yongtao
我们提出了一个用多水平对数-高斯-考克斯过程来模拟具有复杂结构的重复观察点过程的一般框架；由于技术的进步，这种类型的数据在医学研究、社会科学、经济和金融等各个领域中越来越多地可用。发展了一种新的非参数方法来有效和一致地估计所有水平上的潜在高斯过程的协方差函数。为了预测函数主成分得分，我们提出了一种通过最大化点过程叠加的条件似然来进行一致性估计的方法。我们进一步将我们的程序扩展到双变量点过程的情况，其中过程之间的潜在相关性可以被评估。研究了所提出的估计量的渐近性质，并通过一个模拟研究和一个股票交易数据集的应用，说明了我们方法的有效性。
We propose a general framework of using multi-level log-Gaussian Cox process to model repeatedly observed point processes with complex structures; such type of data have become increasingly available in various areas including medical research, social sciences, economics and finance due to technological advances. A novel nonparametric approach is developed to efficiently and consistently estimate the covariance functions of the latent Gaussian processes at all levels. To predict the functional principal component scores, we propose a consistent estimation procedure by maximizing the conditional likelihood of super-positions of point processes. We further extend our procedure to the bivariate point process case in which potential correlations between the processes can be assessed. Asymptotic properties of the proposed estimators are investigated, and the effectiveness of our procedures is illustrated through a simulation study and an application to a stock trading dataset.
登录
查看更多内容
DOI：
--
发表时间：
2018-02
期刊：
ArXiv
影响因子：
--
作者：
Ali Zarezade;A. De;U. Upadhyay;H. Rabiee;M. Gomez-Rodriguez
通讯作者：
Ali Zarezade;A. De;U. Upadhyay;H. Rabiee;M. Gomez-Rodriguez
影响因子：
1.1
作者：
Ganggang Xu;Chong Zhao;A. Jalilian;R. Waagepetersen;Jingfei Zhang;Yongtao Guan
通讯作者：
Ganggang Xu;Chong Zhao;A. Jalilian;R. Waagepetersen;Jingfei Zhang;Yongtao Guan
男孩就是男孩：性别、过度自信和普通股投资
影响因子：
2.4
作者：
B. Barber;Terrance Odean
通讯作者：
Terrance Odean
影响因子：
8.9
作者：
Sandro C. Andrade;Charles Chang;Mark S. Seasholes
通讯作者：
Sandro C. Andrade;Charles Chang;Mark S. Seasholes
影响因子：
4.5
作者：
Hall, Peter;Mueller, Hans-Georg;Wang, Jane-Ling
通讯作者：
Wang, Jane-Ling