Extending finite mixture models with skew-normal distributions and hidden Markov models for time series
结合偏态正态分布与隐马尔可夫模型扩展时间序列有限混合模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以时间序列隐马尔可夫模型刻画动态依赖、分布变化与状态转移，支持这两个方向。
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
结合偏态正态分布与隐马尔可夫模型扩展时间序列有限混合模型
- 研究问题
- 如何在有限混合模型中同时刻画数据的不对称分布与时间依赖，并识别隐藏状态变化所对应的分布转变？
- 方法与思路
- 作者在隐马尔可夫框架中采用偏态正态发射分布，设定恒定转移概率矩阵，并估计各隐藏状态的位置、尺度和偏度参数。
- 材料陈述的贡献
- 摘要称模拟与真实数据分析显示模型能够刻画非对称数据和状态转移，并在过拟合及计算效率问题上提供改进思路。
- 阅读关注点
- 应核对状态数与参数的识别、估计算法及初始化、状态转移与结构变化的区分，以及相对高斯混合模型的比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明具体数据、误差或计算成本，不能确认其普遍更稳健或高效。
原文摘要
We introduce an extension of finite mixture models by incorporating skew-normal distributions within a Hidden Markov Model framework. By assuming a constant transition probability matrix and allowing emission distributions to vary according to hidden states, the proposed model effectively captures dynamic dependencies between variables. Through the estimation of state-specific parameters, including location, scale, and skewness, the proposed model enables the detection of structural changes, such as shifts in the observed data distribution, while addressing challenges such as overfitting and computational inefficiencies inherent in Gaussian mixtures. Both simulation studies and real data analysis demonstrate the robustness and flexibility of the approach, highlighting its ability to accurately model asymmetric data and detect regime transitions. This methodological advancement broadens the applicability of a finite mixture of hidden Markov models across various fields, including demography, economics, finance, and environmental studies, offering a powerful tool for understanding complex temporal dynamics.