Likelihood analysis of non-Gaussian measurement time series
非高斯观测时间序列的似然分析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：摘要直接研究非高斯时间序列模型的似然计算与参数分析，符合时间序列方向。
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…
关注这篇论文的作者
非高斯观测时间序列的似然分析
- 研究问题
- 对于非高斯时间序列模型，如何完成模拟平滑、参数后验分析和经典似然推断，并利用时间依赖结构改进计算？
- 方法与思路
- 作者用马尔可夫链蒙特卡洛进行模拟平滑与贝叶斯参数后验分析，并通过重要性抽样估计用于经典推断的似然函数。
- 材料陈述的贡献
- 摘要称，提供非高斯时间序列的估计方法，并利用模型的时间序列结构保证模拟算法的效率；未给出量化比较。
- 阅读关注点
- 应核对模型的观测与潜在状态设定、模拟平滑算法、重要性权重的稳定性，以及似然估计误差如何影响经典推断。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；具体模型范围、算法条件与效率指标未说明，不能推断适用于所有非高斯序列。
原文摘要
In this paper we provide methods for estimating non-Gaussian time series models. These techniques rely on Markov chain Monte Carlo to carry out simulation smoothing and Bayesian posterior analysis of parameters, and on importance sampling to estimate the likelihood function for classical inference. The time series structure of the models is used to ensure that our simulation algorithms are efficient.