hmmTMB: hidden Markov models with flexible covariate effects in R
hmmTMB：在 R 中实现灵活协变量效应的隐马尔可夫模型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：摘要主要介绍通用隐马尔可夫软件，具体示例为动物追踪；金融波动率只是背景用途，不足以确定给定的领域细分。
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
hmmTMB：在 R 中实现灵活协变量效应的隐马尔可夫模型
- 研究问题
- 如何在隐马尔可夫模型的状态转移与观测分布中灵活引入协变量、非线性和组间异质性，并支持多种响应及依赖结构？
- 方法与思路
- 作者提供 hmmTMB R 包，使用惩罚样条与自动平滑选择建模非线性效应，并支持随机效应、多变量响应及参数约束。
- 材料陈述的贡献
- 摘要称该包整合灵活协变量模型和多种非标准依赖结构，介绍统计方法与软件组织，并用动物追踪分析展示工作流程。
- 阅读关注点
- 应核对隐状态与协变量效应的识别、平滑及随机效应的估计方式，以及参数约束如何实现半马尔可夫和高阶依赖结构。
- 阅读边界
- 本文为 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明识别与推断条件，金融波动率仅被列为背景应用。
原文摘要
Hidden Markov models (HMMs) are widely applied in studies where a discrete-valued process of interest is observed indirectly. They have for example been used to model behaviour from human and animal tracking data, disease status from medical data, and financial market volatility from stock prices. The model has two main sets of parameters: transition probabilities, which drive the latent state process, and observation parameters, which characterise the state-dependent distributions of observed variables. One particularly useful extension of HMMs is the inclusion of covariates on those parameters, to investigate the drivers of state transitions or to implement Markov-switching regression models. We present the new R package hmmTMB for HMM analyses, with flexible covariate models in both the hidden state and observation parameters. In particular, non-linear effects are implemented using penalised splines, including multiple univariate and multivariate splines, with automatic smoothness selection. The package allows for various random effect formulations (including random intercepts and slopes), to capture between-group heterogeneity. hmmTMB can be applied to multivariate observations, and it accommodates various types of response data, including continuous (bounded or not), discrete, and binary variables. Parameter constraints can be used to implement non-standard dependence structures, such as semi-Markov, higher-order Markov, and autoregressive models. Here, we summarise the relevant statistical methodology, we describe the structure of the package, and we present an example analysis of animal tracking data to showcase the workflow of the package.