Monte Carlo State-Space Likelihoods by Weighted Posterior Kernel Density Estimation
通过加权后验核密度估计计算状态空间蒙特卡洛似然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：摘要的状态空间应用为实验种群动态，未提供宏观或金融时间序列背景，因此不因模型名称直接选择相应领域。
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
通过加权后验核密度估计计算状态空间蒙特卡洛似然
- 研究问题
- 对非线性、非高斯状态空间模型，如何更有效地近似似然以支持最大似然估计和似然比检验，并控制平滑偏差？
- 方法与思路
- 作者用贝叶斯后验作为重要抽样密度，以加权核密度估计构造相差常数的经典似然，并提出聚焦先验和累积量偏差修正。
- 材料陈述的贡献
- 摘要称所提方法在种群动态模拟中可更高效，并以多元方差问题展示两种众数偏差修正，包括二十维参数示例。
- 阅读关注点
- 应核对后验抽样、权重与带宽的选择，区分蒙特卡洛误差和众数偏差，并查看聚焦先验修正的具体实施方式。
- 阅读边界
- 仅据版本未注明的索引摘要；效率与准确性陈述来自特定示例，未说明一般误差保证，不能据此推广到所有状态空间模型。
原文摘要
Maximum likelihood estimation and likelihood ratio tests for nonlinear, non-Gaussian state-space models require numerical integration for likelihood calculations. Several methods, including Monte Carlo (MC) expectation maximization, MC likelihood ratios, direct MC integration, and particle filter likelihoods, are inefficient for the motivating problem of stage-structured population dynamics models in experimental settings. An MC kernel likelihood (MCKL) method is presented that estimates classical likelihoods up to a constant by weighted kernel density estimates of Bayesian posteriors. MCKL is derived by using Bayesian posteriors as importance sampling densities for unnormalized kernel smoothing integrals. MC error and mode bias due to kernel smoothing are discussed and two methods for reducing mode bias are proposed: “zooming in” on the maximum likelihood parameters using a focused prior based on an initial estimate and using a posterior cumulant-based approximation of mode bias. A simulated example shows that MCKL can be much more efficient than previous approaches for the population dynamics problem. The zooming-in and cumulant-based corrections are illustrated with a multivariate variance estimation problem for which accurate results are obtained even in 20 parameter dimensions.