Asymptotic normality of the maximum likelihood estimator in state space models
状态空间模型中最大似然估计量的渐近正态性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：摘要明确将状态空间模型定位为描述依赖观测的时间序列模型，直接支持时间序列方向分类。
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…
状态空间模型中最大似然估计量的渐近正态性
- 研究问题
- 能否将隐藏马尔可夫模型的最大似然渐近正态性结果，推广到潜在过程为连续状态马尔可夫链的状态空间模型？
- 方法与思路
- 作者在潜在马尔可夫过程满足正则条件的状态空间模型中推广既有理论，并说明紧状态空间与相关条件满足的联系。
- 材料陈述的贡献
- 摘要称，隐藏马尔可夫模型的相关渐近正态性结果得到推广，覆盖具有连续状态潜在马尔可夫过程的状态空间模型。
- 阅读关注点
- 应核对潜在过程及观测机制的完整正则条件、紧状态空间的具体作用，以及似然初始化和渐近协方差的处理。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；完整正则条件未说明，不能将紧状态空间单独视为任意状态空间模型的充分条件。
原文摘要
State space models is a very general class of time series models capable of modelling dependent observations in a natural and interpretable way. Inference in such models has been studied by Bickel, Ritov and Rydén, who consider hidden Markov models, which are special kinds of state space models, and prove that the maximum likelihood estimator is asymptotically normal under mild regularity conditions. In this paper we generalize the results of Bickel, Ritov and Rydén to state space models, where the latent process is a continuous state Markov chain satisfying regularity conditions, which are fulfilled if the latent process takes values in a compact space.