SOME THEOREMS AND SUFFICIENCY CONDITIONS FOR THE MAXIMUM-LIKELIHOOD ESTIMATOR OF AN UNKNOWN PARAMETER IN A SIMPLE MARKOV CHAIN
简单马尔可夫链未知参数最大似然估计的定理与充分性条件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：摘要研究一般马尔可夫链的估计与充分性，未明确指向宏观时间序列或其他给定经济计量方向。
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
简单马尔可夫链未知参数最大似然估计的定理与充分性条件
- 研究问题
- 对于参数决定转移概率的简单遍历马尔可夫链，如何建立最大似然估计的渐近性质，并刻画充分估计量存在的条件？
- 方法与思路
- 作者先研究链参数最大似然估计的通常最优性质，再从离散分布和多项分布的似然结构推导允许充分估计量的转移概率形式。
- 材料陈述的贡献
- 摘要称，论文证明一致性和渐近正态性，刻画与充分估计量相关的转移概率结构，并以二状态和三状态链给出示例。
- 阅读关注点
- 应核对文中遍历性的具体定义、参数与转移概率的附加条件，以及充分估计量的含义和转移矩阵结构的推导步骤。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；完整正则条件与概率形式未提供，不能将其遍历性表述直接替换为现代一般条件或推断刊本变化。
原文摘要
The paper begins with proofs of the usual theorems for the optimum properties of the maximum-likelihood estimator of an unknown parameter θ which defines the transition probabilities pij(θ) of a simple ergodic Markov chain. By an ergodic chain is meant one for which, not only is the final chain stationary, but also all possible initial states remain permanently available; these conditions are sufficient to prove that the maximum-likelihood estimator is consistent, and asymptotically normally distributed. The paper proceeds to establish the form of the transition probabilities pij(θ) which admit a sufficient estimator of θ. To do this, the form of the likelihood function admitting a sufficient estimator when the parent distribution is discrete is first derived: this is used to obtain the form of the probabilities Pij(θ) for a multinomial distribution admitting a sufficient estimator of θ. and the result is finally generalized for the transition probabilities pij(θ) of the simple ergodic Markov chain. The paper closes with an examination of possible forms for the matrix p of transition probabilities pij(θ), and these are illustrated with simple examples for Markov chains with two and three states.