多元面板数据的隐马尔可夫模型
Hidden Markov Models for Multivariate Panel Data
AI总结：
针对多元面板数据因缺失和流失导致聚类困难的问题，提出一族隐马尔可夫模型，并设计改进的期望最大化算法处理非随机缺失与流失以进行模型估计。
摘要：
尽管基于模型的聚类不断取得进展，但建模面板数据等各类数据类型的挑战依然存在。多元面板数据给聚类算法带来了困难，因为它们常受缺失数据和流失问题的困扰，给估计算法带来挑战。本研究提出了一族隐马尔可夫模型，以补偿面板数据中出现的这些问题。我们提出了一种改进的期望最大化算法，能够处理非随机缺失数据和流失，并用于执行模型估计。
英文摘要：
While advances continue to be made in model-based clustering, challenges persist in modeling various data types such as panel data. Multivariate panel data present difficulties for clustering algorithms because they are often plagued by missing data and dropouts, presenting issues for estimation algorithms. This research presents a family of hidden Markov models that compensate for the issues that arise in panel data. A modified expectation-maximization algorithm capable of handling missing not at random data and dropout is presented and used to perform model estimation.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
