Particle filters for continuous likelihood evaluation and maximisation
用于连续似然计算与最大化的粒子滤波方法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：摘要明确研究状态空间时间序列的似然计算，并以随机波动率模型和增长模型应用展示方法，支持时间序列与波动率分类。
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…
关注这篇论文的作者
用于连续似然计算与最大化的粒子滤波方法
- 研究问题
- 如何为状态空间模型构造随未知参数连续变化的模拟似然近似，使其既能逼近真实似然，又便于参数估计与数值最大化？
- 方法与思路
- 作者提出粒子滤波似然近似，讨论模拟规模增大时的收敛和参数连续性，并以卡尔曼滤波基准及随机波动率等模型评估方法。
- 材料陈述的贡献
- 摘要称近似似然收敛至真实似然且在较一般条件下连续，并报告计算方法快速稳健；另提出两种多变量方案并讨论多类应用。
- 阅读关注点
- 应核对连续似然的具体构造、收敛与连续性条件、模拟随机性的处理，以及卡尔曼基准、多变量方案和实际最大化的比较设计。
- 阅读边界
- 解读限于所给出版社摘要；一般条件、近似误差和计算成本未说明，快速稳健属于作者报告，不能据此认定全面优于其他粒子方法。
原文摘要
In this paper, a method is introduced for approximating the likelihood for the unknown parameters of a state space model. The approximation converges to the true likelihood as the simulation size goes to infinity. In addition, the approximating likelihood is continuous as a function of the unknown parameters under rather general conditions. The approach advocated is fast and robust, and it avoids many of the pitfalls associated with current techniques based upon importance sampling. We assess the performance of the method by considering a linear state space model, comparing the results with the Kalman filter, which delivers the true likelihood. We also apply the method to a non-Gaussian state space model, the stochastic volatility model, finding that the approach is efficient and effective. Applications to continuous time finance models and latent panel data models are considered. Two different multivariate approaches are proposed. The neoclassical growth model is considered as an application.