Iterating marginalized Bayes maps for likelihood maximization with application to nonlinear panel models
迭代边际化贝叶斯映射进行似然最大化及其非线性面板模型应用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：摘要明确处理由多条相关时间序列构成的非线性动态面板，分类依据是面板与时间序列方法。
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…
迭代边际化贝叶斯映射进行似然最大化及其非线性面板模型应用
- 研究问题
- 对于由多条相关时间序列组成的高维面板，如何在非线性、非高斯随机动态模型中实施计算可行的似然估计？
- 方法与思路
- 作者研究迭代滤波算法，并加入边际化步骤以缓解高维粒子滤波的困难，从而支持机制性动态面板模型的似然推断。
- 材料陈述的贡献
- 摘要称，新算法使此前被认为难以计算的模型能够开展似然推断，扩展了非线性、非高斯动态面板模型的应用范围。
- 阅读关注点
- 核对边际化针对哪些变量、面板序列间依赖如何处理，以及算法收敛条件、计算成本和高维粒子退化的缓解程度。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体模型结构、算法保证或性能数值，计算优势仍需核对。
原文摘要
Complex dynamic systems can be investigated by fitting mechanistic stochastic dynamic models to time series data. In this context, commonly used Monte Carlo inference procedures for model selection and parameter estimation quickly become computationally unfeasible as the system dimension grows. The increasing prevalence of panel data, characterized by multiple related time series, therefore necessitates the development of inference algorithms that are effective for this class of high-dimensional mechanistic models. Nonlinear, non-Gaussian mechanistic models are routinely fitted to time series data but seldom to panel data, despite its widespread availability, suggesting that the practical difficulties for existing procedures are prohibitive. We investigate the use of iterated filtering algorithms for this purpose. We introduce a novel algorithm that contains a marginalization step that mitigates issues arising from particle filtering in high dimensions. Our approach enables likelihood-based inference for models that were previously considered intractable, thus broadening the scope of dynamic models available for panel data analysis.