An Empirical Bayes Model for Markov-Dependent Binary Sequences with Randomly Missing Observations
随机缺失的马尔可夫依赖二元序列的经验贝叶斯模型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。
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：摘要明确研究异质个体的纵向二元序列，并应用于店铺陈列数据，支持面板数据方向。
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…
随机缺失的马尔可夫依赖二元序列的经验贝叶斯模型
- 研究问题
- 对于来自异质个体且存在随机缺失的二状态马尔可夫链，如何估计个体转移概率，检验两类转移概率的依赖并近似平衡概率？
- 方法与思路
- 作者为个体转移概率设置具有 beta 边际的共同二元分布，通过高效求和缺失状态构造超参数似然，并推导后验与似然比检验。
- 材料陈述的贡献
- 摘要称提出改进的经验贝叶斯估计，纳入随机缺失观测，给出转移概率后验和平衡概率近似，并以数值例子和纵向店铺陈列数据展示。
- 阅读关注点
- 应核对随机缺失的具体假设、共同二元分布及超参数估计，检查缺失状态求和算法、依赖检验和平衡概率近似的条件。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要，缺失机制、二元分布形式及改进幅度未提供；二元状态不能直接解释为个体离散选择。
原文摘要
We develop an improved empirical Bayes estimation methodology for the analysis of two-state Markov chains observed from heterogeneous individuals. First, the two transition probabilities corresponding to each chain are assumed to be drawn from a common, bivariate distribution that has beta marginals. Second, randomly missing observations are incorporated into the likelihood for the hyperparameters by efficiently summing over all possible values for the missing observations. A likelihood ratio test is used to test for dependence between the transition probabilities. Posterior distributions for the transition probabilities are also derived, as is an approximation for the equilibrium probabilities. The proposed procedures are illustrated in a numerical example and in an analysis of longitudinal store display data.