An Empirical Bayes Model for Markov-Dependent Binary Sequences with Randomly Missing Observations
随机缺失观测下马尔可夫依赖二元序列的经验贝叶斯模型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。
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：摘要明确涉及异质个体的重复二元状态序列，并以纵向商店陈列数据应用支持面板方向。
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…
随机缺失观测下马尔可夫依赖二元序列的经验贝叶斯模型
- 研究问题
- 异质个体的二状态马尔可夫序列存在随机缺失观测时，如何估计个体转移概率及其总体分布和依赖关系？
- 方法与思路
- 作者为每条链的两个转移概率设定具有贝塔边缘的共同二元分布，并对缺失状态求和以构造超参数似然。
- 材料陈述的贡献
- 摘要称方法提供转移概率依赖性的似然比检验、后验分布及均衡概率近似，并以纵向商店陈列数据说明应用。
- 阅读关注点
- 应核对二元先验的依赖结构、随机缺失机制与高效求和方法，以及经验贝叶斯处理中超参数不确定性的处理。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；缺失机制、共同分布的具体形式及改善基准未说明，不能推断刊本变化。
原文摘要
We develop an improved empirical Bayes estimation methodology for the analysis of two-state Markov chains observed from heterogeneous individuals. First, the two transition probabilities corresponding to each chain are assumed to be drawn from a common, bivariate distribution that has beta marginals. Second, randomly missing observations are incorporated into the likelihood for the hyperparameters by efficiently summing over all possible values for the missing observations. A likelihood ratio test is used to test for dependence between the transition probabilities. Posterior distributions for the transition probabilities are also derived, as is an approximation for the equilibrium probabilities. The proposed procedures are illustrated in a numerical example and in an analysis of longitudinal store display data.