Variable length Markov chains
可变长度马尔可夫链AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究平稳分类时间序列的可变记忆模型、混合性质与自助法，支持时间序列方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
可变长度马尔可夫链
- 研究问题
- 如何估计有限状态空间上的平稳可变长度马尔可夫链，在利用不同长度记忆描述过程结构的同时建立可靠的统计性质？
- 方法与思路
- 作者分析树形上下文算法的一种版本，研究维度增长时的估计性质、最小状态空间与拟合模型混合性，并提出模型重抽样。
- 材料陈述的贡献
- 摘要称，算法具有新的渐近性质，可一致估计最小状态空间；基于拟合模型的自助法对较广的平稳分类时间序列和统计程序有效。
- 阅读关注点
- 应核对上下文树选择规则、模型维度增长条件、最小状态空间的含义，以及自助法适用的时间序列和统计程序范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体渐近条件和预测比较未给出，结构丰富性不能直接视为预测表现普遍更好。
原文摘要
We study estimation in the class of stationary variable length Markov chains (VLMC) on a finite space. The processes in this class are still Markovian of high order, but with memory of variable length yielding a much bigger and structurally richer class of models than ordinary high-order Markov chains. From an algorithmic view, the VLMC model class has attracted interest in information theory and machine learning, but statistical properties have not yet been explored. Provided that good estimation is available, the additional structural richness of the model class enhances predictive power by finding a better tradeoff between model bias and variance and allowing better structural description which can be of specific interest. The latter is exemplified with some DNA data. A version of the tree-structured context algorithm, proposed by Rissanen in an information theoretical setup is shown to have new good asymptotic properties for estimation in the class of VLMCs. This remains true even when the underlying model increases in dimensionality. Fur-thermore, consistent estimation of minimal state spaces and mixing properties of fitted models are given. We also propose a new bootstrap scheme based on fitted VLMCs. We show its validity for quite general stationary categorical time series and for a broad range of statistical procedures.