Bayesian inference for Markov processes with diffusion and discrete components
含扩散与离散分量的马尔可夫过程的贝叶斯推断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：摘要的直接应用是动物无线电追踪与混合状态过程，未涉及宏观时间序列或金融扩散应用，故不指定领域细分。
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
含扩散与离散分量的马尔可夫过程的贝叶斯推断
- 研究问题
- 连续空间位置与离散行为状态组成的连续时间过程，在两个分量均仅于离散时点观测时，如何联合推断模型参数与环境路径？
- 方法与思路
- 作者构建随机环境中的扩散模型，用混合 MCMC 依次更新扩散参数、环境参数及环境过程路径，结合 Gibbs 与随机游走 MH 步骤。
- 材料陈述的贡献
- 摘要称提供这类混合状态过程的完整贝叶斯推断方法，讨论算法实施与模型检验问题，并以无线电追踪实验数据说明应用。
- 阅读关注点
- 核对观测机制、连续时间路径的处理与近似、先验设定、各更新步骤的计算，以及模型检验和采样收敛的评估方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未提供算法误差、收敛保证或实例数值结果，不能据此判断推断精度。
原文摘要
Data arising in certain radio‐tracking experiments consist of both a continuous spatial component and a discrete component related to behaviour. This leads naturally to stochastic models with a state space which is a product of continuous and discrete components. We consider a class of such models in continuous time, which can be thought of as diffusions in random environments. They are related to switching diffusion or hidden Markov models, but observations are made on both components at discrete time points, so that neither component is completely ‘hidden’. We describe and illustrate an approach to fully Bayesian inference for these general models. The algorithm used is a hybrid Markov chain Monte Carlo method. The diffusion parameters, the environment parameters and the sample path of the environment process itself are updated separately, in sequence, and the individual steps are a mixture of Gibbs and random walk Metropolis–Hastings types. Some implementation and model checking issues are discussed, and an example using data arising from a radio‐tracking experiment is described.