A New Maximum Likelihood Algorithm for Piecewise Regression
分段回归的一种新最大似然算法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：摘要描述一般分段回归与状态转换，未说明时间断点或宏观结构变化，归类证据不足。
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
分段回归的一种新最大似然算法
- 研究问题
- 对于含最大值或最小值算子的连续分段回归模型，如何在未知状态转换区域时进行最大似然估计并简化优化？
- 方法与思路
- 作者提出适用于含最大值、最小值或两者兼有的连续模型的方法，使似然最大化可使用解析导数，并允许多个状态和变量。
- 材料陈述的贡献
- 摘要称，方法无需预先知道状态转换区域，解析导数可简化估计，并具有快速收敛表现，可用于任意数量的状态与变量。
- 阅读关注点
- 核对模型连续性、未知转换区域的处理、解析导数的计算方式，以及收敛依据、初值敏感性与多状态情形的计算要求。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；误差分布、收敛条件与比较结果未说明，不能将快速收敛解释为全局最优保证。
原文摘要
This paper presents a piecewise regression method for continuous models containing max or min operators, or both. This method does not require knowledge of the zone in which a shift in regimes occurs. Moreover, it allows the application of analytical derivatives to maximize the likelihood function, which greatly simplifies the estimation of the model. The method proposed exhibits fast convergence and can be used for an arbitrary number of regimes and variables.