Asymptotic normality of the maximum-likelihood estimator for general hidden Markov models
一般隐马尔可夫模型极大似然估计量的渐近正态性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：摘要明确研究依赖随机变量序列及隐马尔可夫模型的似然推断，对应时间序列方向。
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…
一般隐马尔可夫模型极大似然估计量的渐近正态性
- 研究问题
- 对依赖序列的一般隐马尔可夫模型，极大似然估计量能否具有渐近正态性，并用观测信息估计 Fisher 信息？
- 方法与思路
- 作者在摘要称为温和的条件下研究一般隐马尔可夫模型，证明极大似然估计的渐近正态性及信息矩阵的一致性。
- 材料陈述的贡献
- 摘要称在已有一致性研究基础上补充了渐近正态结果，并证明观测信息矩阵可一致估计 Fisher 信息。
- 阅读关注点
- 应核对所谓温和条件的具体内容、隐藏状态与观测空间范围，以及可识别性和信息矩阵结论的归一化方式。
- 阅读边界
- 索引摘要未注明稿件版本；具体条件和模型范围未提供，不能仅凭“一般”或“温和”认定所有隐马尔可夫模型均适用。
原文摘要
Hidden Markov models (HMMs) have during the last decade become a widespread tool for modeling sequences of dependent random variables. Inference for such models is usually based on the maximum-likelihood estimator (MLE), and consistency of the MLE for general HMMs was recently proved by Leroux. In this paper we show that under mild conditions the MLE is also asymptotically normal and prove that the observed information matrix is a consistent estimator of the Fisher information.