Simulation‐based likelihood inference for limited dependent processes
受限因变量过程的模拟似然推断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：摘要明确以受限因变量过程的时间序列依赖为计算难点，并采用模拟信号平滑方法处理。
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
受限因变量过程的模拟似然推断
- 研究问题
- 受限因变量具有时间序列依赖时，如何借助模拟实现似然推断，并提高经典估计与贝叶斯分析中的计算稳健性？
- 方法与思路
- 作者采用模拟得分方法及模拟EM算法进行经典推断，或开展贝叶斯分析，并以scan sampler和模拟信号平滑器处理时间序列维度。
- 材料陈述的贡献
- 摘要提出以模拟为基础的似然推断思路，将两类抽样和平滑工具用于处理过程依赖，并把广泛适用的计算稳健性作为方法目标。
- 阅读关注点
- 应核对受限因变量模型和潜在过程的具体设定、两项计算工具的分工，以及模拟误差、算法收敛和计算稳健性的评估方式。
- 阅读边界
- 摘要未提供一致性、算法收敛或数值比较结果；希望适用于广泛时间序列问题是研究目标，不能据此认定普遍计算可靠。
原文摘要
This paper looks at the problem of performing likelihood inference for limited dependent processes. Throughout we use simulation to carry out either classical inference through a simulated score method (simulated EM algorithm) or Bayesian analysis. A common theme is to develop computationally robust methods which are likely to perform well for any time series problem. The central tools we use to deal with the time series dimension of the models are the scan sampler and the simulation signal smoother.