panelPomp: Analysis of Panel Data via Partially Observed Markov Processes in R
panelPomp：在 R 中利用部分可观测马尔可夫过程分析面板数据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：摘要明确以面板为数据结构，并将各单位的时间序列建模为部分可观测马尔可夫过程，因此选择面板数据和时间序列方向。
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…
panelPomp：在 R 中利用部分可观测马尔可夫过程分析面板数据
- 研究问题
- 当多个系统动态上相互独立、结构上相关，且各自时间序列较短时，如何利用整个面板的信息推断共同参数与单位特有参数？
- 方法与思路
- 作者以部分可观测马尔可夫过程描述各单位，构成 PanelPOMP，并提供 R 包支持模型与数据操作，以及基于模拟的似然推断。
- 材料陈述的贡献
- 摘要介绍了适用于一般 PanelPOMP 模型的软件框架，强调利用面板结构进行信息共享，并为进一步开发面板推断方法提供支持。
- 阅读关注点
- 应核对单位之间动态独立的建模含义、共享参数与单位参数的设置方式，以及模拟似然算法的适用范围、计算要求和软件示例。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明具体模型、算法误差或性能比较，不能据此判断软件的普遍效率。
原文摘要
Panel data arise when time series measurements are collected from multiple, dynamically independent but structurally related systems. Each system's time series can be modeled as a partially observed Markov process (POMP), and the ensemble of these models is called a PanelPOMP. If the time series are relatively short, statistical inference for each time series must draw information from across the entire panel. The component systems in the panel are called units; model parameters may be shared between units or may be unit-specific. Differences between units may be of direct inferential interest or may be a nuisance for studying the commonalities. The R package panelPomp supports analysis of panel data via a general class of PanelPOMP models. This includes a suite of tools for manipulation of models and data that take advantage of the panel structure. The panelPomp package currently highlights recent advances enabling likelihood based inference via simulation based algorithms. However, the general framework provided by panelPomp supports development of additional, new inference methodology for panel data.