The consistency of the BIC Markov order estimator
BIC 马尔可夫阶数估计量的一致性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：摘要直接研究序列样本路径的马尔可夫依赖阶数选择，属于时间序列模型选择方法。
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…
关注这篇论文的作者
BIC 马尔可夫阶数估计量的一致性
- 研究问题
- 从有限字母表马尔可夫链的一条样本路径估计阶数时，BIC 能否在不预设阶数上界的情况下最终正确选择？
- 方法与思路
- 作者使用按阶数变化的最大似然与 BIC 惩罚选择模型，并借助马尔可夫样本路径的强比率典型性结果证明一致性。
- 材料陈述的贡献
- 摘要称，BIC 最终几乎必然选中真实阶数；同时，所考察的贝叶斯或最小描述长度估计在均匀独立过程下不一致。
- 阅读关注点
- 应核对链的允许类别、候选阶数与惩罚定义、强比率典型性，以及不一致反例中贝叶斯和描述长度估计的具体形式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；有限字母表是明确范围，具体链条件未说明，反例不能推广为所有贝叶斯方法均不一致。
原文摘要
The Bayesian Information Criterion (BIC) estimates the order of a Markov chain (with finite alphabet $A$) from observation of a sample path $x_1, x_2,\dots, x_n$, as that value $k = \hat{k}$ that minimizes the sum of the negative logarithm of the $k$th order maximum likelihood and the penalty term $\frac{|A|^k(|A|-1)}{2}\log n$. We show that $\hat{k}$ equals the correct order of the chain, eventually almost surely as $n \rightarrow \infty$, thereby strengthening earlier consistency results that assumed an apriori bound on the order. A key tool is a strong ratio-typicality result for Markov sample paths.We also show that the Bayesian estimator or minimum description length estimator, of which the BIC estimator is regarded as an approximation, fails to be consistent for the uniformly distributed i.i.d. process.