Limit theorems for weighted samples with applications to sequential Monte Carlo methods
加权样本的极限定理及其在序贯蒙特卡洛方法中的应用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：摘要明确将方法应用于状态空间模型的滤波分布，直接关联时间序列方法。
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
加权样本的极限定理及其在序贯蒙特卡洛方法中的应用
- 研究问题
- 序贯蒙特卡洛的粒子数增加时，加权经验分布何时具有一致性及渐近正态性，算法变换又如何保持这些性质？
- 方法与思路
- 作者定义加权样本的一致性与渐近正态性，给出相关变换保持性质的条件，并以状态空间模型滤波算法说明。
- 材料陈述的贡献
- 摘要称建立大数定律与中心极限定理，放宽既有技术限制，并为分支及随机时点重抽样等策略的分析提供基础。
- 阅读关注点
- 应核对粒子变换的条件、渐近方差递推、随机重抽样时点的处理，以及滤波示例与一般加权样本理论的关系。
- 阅读边界
- 仅据版本未明的 OpenAlex 索引摘要；放宽条件的具体范围、有限粒子误差及复杂策略的完整结论未说明。
原文摘要
In the last decade, sequential Monte Carlo methods (SMC) emerged as a key tool in computational statistics [see, e.g., Sequential Monte Carlo Methods in Practice (2001) Springer, New York, Monte Carlo Strategies in Scientific Computing (2001) Springer, New York, Complex Stochastic Systems (2001) 109–173]. These algorithms approximate a sequence of distributions by a sequence of weighted empirical measures associated to a weighted population of particles, which are generated recursively. Despite many theoretical advances [see, e.g., J. Roy. Statist. Soc. Ser. B 63 (2001) 127–146, Ann. Statist. 33 (2005) 1983–2021, Feynman–Kac Formulae. Genealogical and Interacting Particle Systems with Applications (2004) Springer, Ann. Statist. 32 (2004) 2385–2411], the large-sample theory of these approximations remains a question of central interest. In this paper we establish a law of large numbers and a central limit theorem as the number of particles gets large. We introduce the concepts of weighted sample consistency and asymptotic normality, and derive conditions under which the transformations of the weighted sample used in the SMC algorithm preserve these properties. To illustrate our findings, we analyze SMC algorithms to approximate the filtering distribution in state-space models. We show how our techniques allow to relax restrictive technical conditions used in previously reported works and provide grounds to analyze more sophisticated sequential sampling strategies, including branching, resampling at randomly selected times, and so on.