Inference in stochastic differential equations using the Laplace approximation: Demonstration and examples
利用 Laplace 近似进行随机微分方程推断：演示与实例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：摘要明确以生态动态系统和一般时间序列为背景，没有宏观经济或金融数据依据，因此不将通用随机过程推断归入这些领域。
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…
利用 Laplace 近似进行随机微分方程推断：演示与实例
- 研究问题
- 在含非线性动态、状态依赖噪声及非高斯测量误差的随机微分方程中，如何以可行计算完成状态和参数估计？
- 方法与思路
- 作者在观测时点之间加入潜在状态，通过 Euler–Maruyama 等离散化近似转移密度，再使用 Laplace 近似消去未观测状态。
- 材料陈述的贡献
- 摘要称，一致性需要特定形式的近似，并通过模拟案例展示转移概率近似效果、计算可行性及实现方式的灵活性。
- 阅读关注点
- 应核对保证一致性的近似形式、离散化步长与误差控制，以及状态依赖扩散和非高斯测量误差下的计算与识别条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明一致性的渐近框架、误差界和案例规模，不能确认普遍准确性。
原文摘要
Stochastic differential equations are a natural framework for dynamic systems and time series in ecology, because they allow for non-linear first-principle knowledge and uncertainty in the dynamics, and can be combined with measurement errors. However, estimation methods are often technically and computationally challenging. Here, we demonstrate that the Laplace approximation is useful for estimating states and parameters in these models, when done correctly. We give special attention to non-linear dynamics, state-dependent noise intensities, and non-Gaussian measurement errors. Our technique adds states between times of observations, approximates transition densities using discretization methods - in the simplest case, the Euler-Maruyama method - and eliminates unobserved states using the Laplace approximation. We demonstrate that consistency requires a particular form of the approximation, and provide different approaches to implementation. Using simulated case studies, we demonstrate that transition probabilities are well approximated, that inference is computationally feasible, and that the framework leads to simple and flexible implementations.