A Beta-GAM Hidden Markov Model for Proportion Time Series
比例时间序列的 Beta-GAM 隐 Markov 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：摘要明确建模比例时间序列，并用潜在状态切换捕捉结构变化与状态依赖变异。
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…
比例时间序列的 Beta-GAM 隐 Markov 模型
- 研究问题
- 对于取值在零与一之间的比例时间序列，如何同时刻画非线性协变量效应、潜在状态转换及不同状态下的变异程度？
- 方法与思路
- 作者以 Beta 分布描述观测，状态内均值采用样条 GAM、精度随状态变化，用惩罚 EM 估计，并以参数 bootstrap 量化不确定性。
- 材料陈述的贡献
- 摘要称模拟能恢复状态转换、精度和潜在状态；俄罗斯死亡比例应用识别出两个持续状态，并给出相应人口学解释。
- 阅读关注点
- 应核对状态数与平滑参数选择、精度爆炸解的过滤规则、状态识别与 bootstrap 校准，以及端点比例如何处理。
- 阅读边界
- 这是 arXiv 预印本，评审与接收未核实；摘要未说明端点数据处理和完整识别条件，潜在状态的人口学解释不构成因果证明。
原文摘要
We propose a hidden Markov model for univariate proportion time series taking values in (0,1), where regime switching captures latent structural changes and the emission distribution belongs to the Beta family. In each latent state, the Beta mean is linked to covariates through a generalized additive model (GAM) with spline-based smooth functions, while the Beta precision is state-specific, enabling flexible modeling of both nonlinear covariate effects and regime-dependent variability. Estimation is carried out via a penalized expectation--maximization algorithm, combining smoothing with numerical maximization of the penalized emission likelihood. To select the number of latent states and the smoothing penalty, we implement a grid search guided by standard information criteria (Akaike Information Criterion/Bayesian Information Criterion/Integrated Completed Likelihood) with a diagnostic filter that removes degenerate solutions characterized by explosive precision estimates. Uncertainty is quantified through a parametric bootstrap procedure for transition probabilities and state-dependent parameters. Simulation results demonstrate accurate recovery of transition dynamics, state precisions, and latent-state decoding. A motivating application to Russian age-specific mortality data (1960--2014, ages 0--40) illustrates how the proposed model summarizes smooth age patterns in female-to-total mortality ratios while identifying two persistent latent regimes that admit a substantive demographic interpretation in light of the country's well-documented mortality shocks that occurred over the second half of the twentieth century.