MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016933247
■00520240214101223
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379782771
■035    ▼a(MiAaPQ)AAI30526549
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aPalmer,  W.  Reed.
■24510▼aStatistical  Methods  for  Structured  Data:  Analyses  of  Discrete  Time  Series  and  Networks▼h[electronic  resource]
■260    ▼a[S.l.]:▼bColumbia  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(147  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-01,  Section:  B.
■500    ▼aAdvisor:  Zheng,  Tian.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThis  dissertation  addresses  three  problems  of  applied  statistics  involving  discrete  time  series  and  network  data.  The  three  problems  are  (1)  finding  and  analyzing  community  structure  in  directed  networks,  (2)  capturing  changes  in  dynamic  count-valued  time  series  of  COVID-19  daily  deaths,  and  (3)  inferring  the  edges  of  an  implicit  network  given  noisy  observations  of  a  multivariate  point  process  on  its  nodes.  We  use  tools  of  spectral  clustering,  state-space  models,  Bayesian  hierarchical  modeling  and  variational  inference  to  address  these  problems.  Each  chapter  presents  and  discusses  statistical  methods  for  the  given  problem.  We  apply  the  methods  to  simulated  and  real  data  to  both  validate  them  and  demonstrate  their  limitations.In  chapter  1  we  consider  a  directed  spectral  method  for  community  detection  that  utilizes  a  graph  Laplacian  defined  for  non-symmetric  adjacency  matrices.  We  give  the  theoretical  motivation  behind  this  directed  graph  Laplacian,  and  demonstrate  its  connection  to  an  objective  function  that  reflects  a  notion  of  how  communities  of  nodes  in  directed  networks  should  behave.  Applying  the  method  to  directed  networks,  we  compare  the  results  to  an  approach  using  a  symmetrized  version  of  the  adjacency  matrices.  A  simulation  study  with  a  directed  stochastic  block  model  shows  that  directed  spectral  clustering  can  succeed  where  the  symmetrized  approach  fails.  And  we  find  interesting  and  informative  differences  between  the  two  approaches  in  the  application  to  Congressional  cosponsorship  data.In  chapter  2  we  propose  a  generalized  non-linear  state-space  model  for  count-valued  time  series  of  COVID-19  fatalities.  To  capture  the  dynamic  changes  in  daily  COVID-19  death  counts,  we  specify  a  latent  state  process  that  involves  second  order  differencing  and  an  AR(1)-ARCH(1)  model.  These  modeling  choices  are  motivated  by  the  application  and  validated  by  model  assessment.  We  consider  and  fit  a  progression  of  Bayesian  hierarchical  models  under  this  general  framework.  Using  COVID-19  daily  death  counts  from  New  York  City's  five  boroughs,  we  evaluate  and  compare  the  considered  models  through  predictive  model  assessment.  Our  findings  justify  the  elements  included  in  the  proposed  model.  The  proposed  model  is  further  applied  to  time  series  of  COVID-19  deaths  from  the  four  most  populous  counties  in  Texas.  These  model  fits  illuminate  dynamics  associated  with  multiple  dynamic  phases  and  show  the  applicability  of  the  framework  to  localities  beyond  New  York  City.In  Chapter  3  we  consider  the  task  of  inferring  the  connections  between  noisy  observations  of  events.  In  our  model-based  approach,  we  consider  a  generative  process  incorporating  latent  dynamics  that  are  directed  by  past  events  and  the  unobserved  network  structure.  This  process  is  based  on  a  leaky  integrate-and-fire  (LIF)  model  from  neuroscience  for  aggregating  input  and  triggering  events  (spikes)  in  neural  populations.  Given  observation  data  we  estimate  the  model  parameters  with  a  novel  variational  Bayesian  approach,  specifying  a  highly  structured  and  parsimonious  approximation  for  the  conditional  posterior  distribution  of  the  process's  latent  dynamics.  This  approach  allows  for  fully  interpretable  inference  of  both  the  model  parameters  of  interest  and  the  variational  parameters.  Moreover,  it  is  computationally  efficient  in  scenarios  when  the  observed  event  times  are  not  too  sparse.  We  apply  our  methods  in  a  simulation  study  and  to  recorded  neural  activity  in  the  dorsomedial  frontal  cortex  (DMFC)  of  a  rhesus  macaque.  We  assess  our  results  based  on  ground  truth,  model  diagnostics,  and  spike  prediction  for  held-out  nodes.
■590    ▼aSchool  code:  0054.
■650  4▼aStatistics.
■650  4▼aComputer  science.
■653    ▼aBayesian  estimation
■653    ▼aCount-valued  time  series
■653    ▼aNetwork  inference
■653    ▼aNeuronal  dynamics
■653    ▼aState-space  models
■653    ▼aVariational  Bayes
■690    ▼a0463
■690    ▼a0984
■71020▼aColumbia  University▼bStatistics.
■7730  ▼tDissertations  Abstracts  International▼g85-01B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933247▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books