Infinite Hidden Markov Models for Multiple Multivariate Time Series with Missing Data
含缺失数据的多条多元时间序列无限隐马尔可夫模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接提出用于多条异步多元时间序列的隐马尔可夫模型，对应时间序列方法；应用对象为个人污染暴露。
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
含缺失数据的多条多元时间序列无限隐马尔可夫模型
- 研究问题
- 对多条异步、多元个人暴露时间序列，如何处理缺失及低于检测限的观测，并识别不同采样日和个体共享的潜在模式？
- 方法与思路
- 作者建立允许协变量影响状态转移的无限隐马尔可夫模型，用结合切片采样与动态规划的 beam sampling 及贝叶斯多重插补。
- 材料陈述的贡献
- 摘要称，方法在模拟中有效估计隐状态、状态均值及缺失值，并在通勤暴露数据中改善随机缺失插补和共享模式识别。
- 阅读关注点
- 应核对无限状态模型的设定、异步序列如何连接、随机缺失与检测限机制如何处理，以及插补比较和不确定性传播方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未报告改善幅度，也未说明非随机缺失下的表现，不能推断健康因果效应。
原文摘要
Exposure to air pollution is associated with increased morbidity and mortality. Recent technological advancements permit the collection of time-resolved personal exposure data. Such data are often incomplete with missing observations and exposures below the limit of detection, which limit their use in health effects studies. In this paper we develop an infinite hidden Markov model for multiple asynchronous multivariate time series with missing data. Our model is designed to include covariates that can inform transitions among hidden states. We implement beam sampling, a combination of slice sampling and dynamic programming, to sample the hidden states, and a Bayesian multiple imputation algorithm to impute missing data. In simulation studies, our model excels in estimating hidden states and state-specific means and imputing observations that are missing at random or below the limit of detection. We validate our imputation approach on data from the Fort Collins Commuter Study. We show that the estimated hidden states improve imputations for data that are missing at random compared to existing approaches. In a case study of the Fort Collins Commuter Study, we describe the inferential gains obtained from our model including improved imputation of missing data and the ability to identify shared patterns in activity and exposure among repeated sampling days for individuals and among distinct individuals.