Copula Modeling of Serially Correlated Multivariate Data with Hidden Structures
具有隐含结构的序列相关多变量数据 Copula 建模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：摘要明确研究序列相关多变量数据与隐马尔可夫模型，直接对应时间序列方法。
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…
具有隐含结构的序列相关多变量数据 Copula 建模
- 研究问题
- 对每个时点都有多个观测变量的序列数据，如何同时刻画隐含状态和变量间依赖，并利用这些信息解码状态、实现计算？
- 方法与思路
- 作者用 Copula 扩展隐马尔可夫模型，在联合似然中描述多变量依赖，并在边缘推断函数框架下构造具有理论依据的 EM 变体。
- 材料陈述的贡献
- 摘要称联合模型能利用多个观测的信息识别隐含状态，并通过改进 EM 处理依赖结构引入的计算难题，提供数值实验及房间占用分析。
- 阅读关注点
- 应核对隐状态与条件依赖结构、边缘和 Copula 参数的估计步骤、EM 变体的理论保证，以及状态解码的评价方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明 Copula 家族、状态数或具体计算与应用结果。
原文摘要
We propose a copula-based extension of the hidden Markov model (HMM) which applies when the observations recorded at each time in the sample are multivariate. The joint model produced by the copula extension allows decoding of the hidden states based on information from multiple observations. However, unlike the case of independent marginals, the copula dependence structure embedded into the likelihood poses additional computational challenges. We tackle the latter using a theoretically-justified variation of the EM algorithm developed within the framework of inference functions for margins. We illustrate the method using numerical experiments and an analysis of room occupancy. Supplementary materials for this article are available online.