A Bayesian multilevel hidden Markov model with Poisson-lognormal emissions for intense longitudinal count data
密集纵向计数数据的贝叶斯多层泊松对数正态隐马尔可夫模型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：摘要直接建模多变量计数时间序列的隐马尔可夫动态，因此对应时间序列方法方向，其应用对象并非宏观经济。
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…
关注这篇论文的作者
密集纵向计数数据的贝叶斯多层泊松对数正态隐马尔可夫模型
- 研究问题
- 多变量纵向计数数据包含个体间异质性时，如何同时恢复随时间切换的隐状态、估计个体参数并量化个体差异？
- 方法与思路
- 作者把泊松隐马尔可夫模型扩展为多层模型，用对数正态个体随机效应容纳异质性，并在全参数贝叶斯框架下估计和解码隐状态。
- 材料陈述的贡献
- 摘要称，模拟中多层模型在存在个体异质性时改善状态解码与发射参数估计，无异质性时表现相当，并给出动物行为与神经活动应用。
- 阅读关注点
- 应核对随机效应进入模型的位置、隐状态数选择、个体数据量与参数可识别性，并检查模拟比较以及贝叶斯计算的收敛诊断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出先验、模拟设置和具体误差，所述优势不能直接推广到其他计数过程。
原文摘要
Hidden Markov models (HMMs) are probabilistic methods in which observations are seen as realizations of a latent Markov process with discrete states that switch over time. Moving beyond standard statistical tests, HMMs offer a statistical environment to optimally exploit the information present in multivariate time series, uncovering the latent dynamics that rule them. Here, we extend the Poisson HMM to the multilevel framework, accommodating variability between individuals with continuously distributed individual random effects following a lognormal distribution, and describe how to estimate the model in a fully parametric Bayesian framework. The proposed multilevel HMM enables probabilistic decoding of hidden state sequences from multivariate count time-series based on individual-specific parameters, and offers a framework to quantificate between-individual variability formally. Through a Monte Carlo study we show that the multilevel HMM outperforms the HMM for scenarios involving heterogeneity between individuals, demonstrating improved decoding accuracy and estimation performance of parameters of the emission distribution, and performs equally well when not between heterogeneity is present. Finally, we illustrate how to use our model to explore the latent dynamics governing complex multivariate count data in an empirical application concerning pilot whale diving behaviour in the wild, and how to identify neural states from multi-electrode recordings of motor neural cortex activity in a macaque monkey in an experimental set up. We make the multilevel HMM introduced in this study publicly available in the R-package mHMMbayes in CRAN.