连续时间多状态马尔可夫模型的时间齐次性之外
摘要：多状态 Markov 模型是一种基本的参数化方法，用于对基于有限状态空间的观测或潜在随机过程进行数据建模。连续时间 Markov 过程描述的是不规则观测的数据，例如纵向医学和生物学数据集。假设连续时间 Markov 过程是时间齐次的，可以从 Kolmogorov 正向方程中得到一个闭合形式的似然函数，这是一个已知矩阵指数解的系统微分方程组。然而，不幸的是，对于连续时间和非齐次时间 Markov 过程，正向方程没有解析解，因此研究人员和实践者常常做出简化假设，认为过程是分段时间齐次的。在本文中，我们提供了违反分段齐次假设可能导致的参数估计偏差的直觉和示例，同时倡导在真正的非齐次时间方式下进行似然计算的解决方案。特别关注允许状态标签错误分类的多状态 Markov 模型的背景，这更广泛地适用于隐 Markov 模型 (HMMs)，贝叶斯计算绕过了获取最大似然估计 (MLEs) 所需的计算复杂的数值梯度近似。
作者：Emmett B. Kendall, Jonathan P. Williams, Gudmund H. Hermansen, Frederic Bois, Vo Hong Thanh
论文ID：2211.03214
分类：Computation
分类简称：stat.CO
提交时间：2022-11-08