How to build your latent Markov model -- the role of time and space
如何构建潜在马尔可夫模型：时间与空间的作用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：摘要明确围绕时间序列和序列数据中的潜在马尔可夫及状态空间模型展开方法综述。
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…
如何构建潜在马尔可夫模型：时间与空间的作用
- 研究问题
- 面对多种潜在马尔可夫模型、术语和推断方法，实践者如何依据时间及空间数据特征选择模型，并理解共同计算结构？
- 方法与思路
- 作者以统一视角梳理隐马尔可夫、状态空间和马尔可夫调制泊松过程，强调递归推断，并介绍支持数值最大似然的 LaMa。
- 材料陈述的贡献
- 摘要称提供模型选择路线图和统一的递归推断解释，配套 R 软件允许以模块化方式组合模型，并使用 C++ 支持快速计算。
- 阅读关注点
- 应核对不同模型的状态与观测定义、时间及空间结构如何影响模型选择，以及递归似然计算和软件实现覆盖哪些模型情形。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供速度比较、模型适用条件或估计保证，不能确认所有模型均易于估计。
原文摘要
Statistical models that involve latent Markovian state processes have become immensely popular tools for analysing time series and other sequential data. However, the plethora of model formulations, the inconsistent use of terminology, and the various inferential approaches and software packages can be overwhelming to practitioners, especially when they are new to this area. With this review-like paper, we thus aim to provide guidance for both statisticians and practitioners working with latent Markov models by offering a unifying view on what otherwise are often considered separate model classes, from hidden Markov models over state-space models to Markov-modulated Poisson processes. In particular, we provide a roadmap for identifying a suitable latent Markov model formulation given the data to be analysed. Furthermore, we emphasise that it is key to applied work with any of these model classes to understand how recursive techniques exploiting the models' dependence structure can be used for inference. The R package LaMa adapts this unified view and provides an easy-to-use framework for very fast (C++ based) numerical maximum likelihood estimation of any of the models discussed in this paper, allowing users to tailor a latent Markov model to their data using a Lego-type approach.