Monte Carlo maximum likelihood estimation for non-Gaussian state space models
非高斯状态空间模型的蒙特卡洛最大似然估计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：摘要明确研究状态空间模型，并以泊松观测及非高斯误差的时间序列展示估计方法。
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
非高斯状态空间模型的蒙特卡洛最大似然估计
- 研究问题
- 观测分布或观测误差非高斯时，如何近似状态空间模型的对数似然、估计未知超参数，并衡量模拟引入的误差？
- 方法与思路
- 作者用蒙特卡洛模拟近似对数似然，加入提高精度与计算效率的措施，再数值最大化，并计算由模拟造成的估计标准误。
- 材料陈述的贡献
- 摘要称，论文详述指数族观测及线性观测方程下非高斯误差两类情形，并以泊松观测和 t 分布误差序列说明。
- 阅读关注点
- 应核对模拟方案与效率改进措施、数值优化的稳定性，以及模拟标准误同参数统计不确定性的区别及处理方式。
- 阅读边界
- 仅依据版本未注明的 OpenAlex 索引摘要；模拟算法、误差控制条件和效率数值未说明，也未报告预测性能。
原文摘要
State space models are considered for observations which have non-Gaussian distributions. We obtain accurate approximations to the loglikelihood for such models by Monte Carlo simulation. Devices are introduced which improve the accuracy of the approximations and which increase computational efficiency. The loglikelihood function is maximised numerically to obtain estimates of the unknown hyperparameters. Standard errors of the estimates due to simulation are calculated. Details are given for the important special cases where the observations come from an exponential family distribution and where the observation equation is linear but the observation errors are non-Gaussian. The techniques are illustrated with a series for which the observations have a Poisson distribution and a series for which the observation errors have a t-distribution.