Maximum likelihood inference for a class of discrete-time Markov-switching time series models with multiple delays
多重时滞离散时间马尔可夫切换模型的最大似然推断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。
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：摘要明确研究时间序列模型及其动态机制的马尔可夫状态切换。
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…
多重时滞离散时间马尔可夫切换模型的最大似然推断
- 研究问题
- 对于含多个、可能为非整数时滞的马尔可夫切换时间序列，如何确定不同动态模式的数量，并估计各模式及其时滞参数？
- 方法与思路
- 作者构造涵盖部分随机时滞微分方程离散化结果的自回归马尔可夫切换模型类，采用最大似然方法选择模式数并估计参数。
- 材料陈述的贡献
- 摘要称，该框架容许离散时间网格与连续时滞不对齐而产生实数时滞，并以厄尔尼诺与南方涛动模型展示方法应用。
- 阅读关注点
- 核对非整数时滞在离散模型中的定义、模式数量选择准则、时滞和切换状态的可识别性，以及似然优化与不确定性处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出一致性或分布理论，也未报告模式选择和参数估计的数值表现。
原文摘要
Autoregressive Markov switching (ARMS) time series models are used to represent real-world signals whose dynamics may change over time. They have found application in many areas of the natural and social sciences, as well as in engineering. In general, inference in this kind of systems involves two problems: (a) detecting the number of distinct dynamical models that the signal may adopt and (b) estimating any unknown parameters in these models. In this paper, we introduce a class of ARMS time series models that includes many systems resulting from the discretisation of stochastic delay differential equations (DDEs). Remarkably, this class includes cases in which the discretisation time grid is not necessarily aligned with the delays of the DDE, resulting in discrete-time ARMS models with real (non-integer) delays. We describe methods for the maximum likelihood detection of the number of dynamical modes and the estimation of unknown parameters (including the possibly non-integer delays) and illustrate their application with an ARMS model of El Niño--southern oscillation (ENSO) phenomenon.