A Robbins-Monro algorithm for non-parametric estimation of NAR process with Markov-Switching: asymptotic normality
Aix-Marseille University（艾克斯-马赛大学）；Escuela de Matemáticas, Facultad de Ciencias, Universidad Central de Venezuela（委内瑞拉中央大学理学院数学系）；Departamento de Matemáticas, FACYT, Universidad de Carabobo（卡拉沃博大学FACYT数学系）
本文研究了非参数估计马尔可夫切换NAR过程的回归函数估计器，提出了一种恢复-估计Robbins-Monro算法，并证明了模型可识别性和估计器的一致性，最后给出了模拟研究以展示估计方法的性能。
2026-03-31 stat.ME
Markov-switching generalized additive models
我们考虑马尔可夫切换回归模型，即时间序列回归分析的模型，其中协变量和响应之间的函数关系受到由不可观测的马尔可夫链控制的状态切换。建立在强大的隐马尔可夫模型的机械和惩罚的B-样条经常用于回归分析的方法，我们开发了一个框架，非参数估计的功能形式的协变量的影响，在这样的回归模型，假设一个附加结构的预测。由此产生的一类马尔可夫切换广义可加模型是非常灵活的，并包含作为特殊情况下，常见的参数马尔可夫切换回归模型，也广义可加和广义线性模型。最大惩罚似然法的可行性，通过模拟证明，并进一步说明了在西班牙的能源价格如何取决于欧元/美元汇率的建模。
2015-05-10 stat.CO stat.ME
Markov switching models: an application to roadway safety
在本研究中，两个状态的马尔可夫切换模型，提出了研究事故的频率和严重程度。这些模型假设存在两种未观察到的道路安全状态，并且道路实体（例如，路段）可以随时间在这些状态之间切换。这些状态是不同的，在这个意义上，在不同的状态下，事故频率或严重程度是由单独的过程产生的（例如，泊松、负二项、多项logit）。贝叶斯推断方法和马尔可夫链蒙特卡罗（MCMC）模拟用于估计马尔可夫切换模型。为了证明该方法的适用性，我们进行了以下三项研究。在第一项研究中，两个状态的马尔可夫转换计数数据模型被认为是一种替代零膨胀模型的年度事故频率，以占优势的零通常观察到的事故频率数据。在第二项研究中，两个状态的马尔可夫转换泊松模型和两个状态的马尔可夫转换负二项模型估计使用选定的印第安纳州际公路段在五年的时间内每周的事故频率。在第三项研究中，两个国家的马尔可夫切换多项logit模型估计的严重后果发生在印第安纳州的道路上超过四年的时间。在这三项研究中发现的最重要的结果之一是，在每种情况下，估计的马尔可夫转换模型都受到道路安全数据的强烈青睐，并导致与相应的标准（非转换）模型相比，具有更好的统计拟合。
2008-12-08 stat.AP stat.ME
Estimation of linear autoregressive models with Markov-switching, the E.M. algorithm revisited
本文研究了马尔可夫转换线性自回归模型的期望最大化估计问题。算法本文的方法推广了Elliot对一般隐马尔可夫模型的方法，避免了使用向后递归。
2008-02-21 math.ST stat.ME stat.TH
Non-Homogeneous Markov-Switching Generalized Additive Models for Location, Scale, and Shape
Bielefeld University（比勒费尔德大学）
本文提出非齐次马尔可夫切换广义加性模型，通过协变量影响状态转换概率，提升对市场动态的分析能力。
2026-01-07 stat.ME
Markov switching multinomial logit model: an application to accident injury severities
在这项研究中，两个国家的马尔可夫切换多项式logit模型提出了统计建模的事故伤害严重程度。这些模型假设马尔可夫切换时间之间的两个不可观察的状态的道路安全。状态是不同的，在这个意义上说，在不同的状态下，事故的严重性结果是由单独的多项logit过程产生的。为了证明本文所提出的方法的适用性，两个状态的马尔可夫切换多项式logit模型估计印第安纳州的道路上发生的事故在四年的时间间隔的严重程度的结果。贝叶斯推断方法和马尔可夫链蒙特卡罗（MCMC）模拟用于模型估计。估计马尔可夫转换模型的结果在一个优越的统计拟合相对于标准（单状态）多项式logit模型。研究发现，更频繁的道路安全状态与更好的天气条件相关。发现较不频繁的状态与不利的天气条件相关。
2008-11-21 stat.AP stat.ME
Markov-Modulated Linear Regression
经典的线性回归被认为是回归参数依赖于外部随机环境的情况下。最后一个被描述为一个具有有限状态空间的连续时间马尔可夫链。在这里，在不同状态下的预期逗留时间是额外的回归变量。导出了估计回归参数的必要公式。数值例子说明了所得结果。
2019-01-28 stat.ME
Switching Nonparametric Regression Models and the Motorcycle Data revisited
我们提出了一种方法来分析数据所产生的曲线，在其域，J状态之间切换。我们考虑一个响应变量序列，其中每个响应y取决于根据未观察状态z的协变量x。这些状态形成一个随机过程，它们的可能值是j=1，.，如果z等于j，则y的期望响应是在x处求值的J个未知光滑函数之一。我们称这个模型为切换非参数回归模型。我们发展了一种期望最大化算法来估计潜在状态过程的参数和对应于J个状态的函数。我们还得到了状态过程参数估计的标准误。我们进行模拟研究，分析我们的估计的频率属性。我们还提出的方法，著名的摩托车数据集处理的数据来自一个以上的模拟事故运行与未观察到的运行标签。
2013-05-22 stat.ME
Continuous-time Markov-switching GARCH Process with Robust and Efficient State Path and Volatility Estimation
提出了一种连续时间Markov切换广义自回归条件异方差（COMS-GARCH）过程，用于处理具有多个波动状态的不规则间隔时间序列.我们采用贝叶斯框架中的Gibbs抽样器来估计COMS-GARCH模型参数、潜在状态路径和波动率。为了提高获得状态路径和波动率的最大后验估计的推理鲁棒性和计算效率，我们提出了一种多路径采样方案，并将伯努利噪声注入的计算算法。我们通过集成学习的概念和TS中目标函数对外部扰动的低敏感性，为改进的伯努利噪声注入的稳定性和鲁棒性提供了理论依据。我们应用建议的COMS-Gestival过程和计算程序模拟TS，一个真正的货币汇率TS，和一个真正的血液量幅度TS。实证结果表明，COMS-Gesthem过程和计算程序能够预测波动机制和波动在TS具有令人满意的精度。
2020-12-12 stat.ME
Markov-Switching State-Space Models with Applications to Neuroimaging
状态空间模型（SSM）与马尔可夫切换提供了一个强大的框架，检测多个政权在时间序列，分析相互依赖和动态的政权，并断言政权之间的过渡。然而，这些模型提出了相当大的计算挑战，由于指数数量的可能政权序列考虑。此外，时间序列的高维性会阻碍基于似然性的推理。本文提出了新的统计方法的马尔可夫切换SSM使用极大似然估计，期望最大化（EM），参数自举。我们开发了用于初始化期望最大化算法、加速收敛和进行推理的解决方案，这些解决方案非常适合于大脑信号等海量时空数据。我们评估这些方法在模拟和目前的应用程序，癫痫和运动想象的脑电图研究。所有提出的方法都在MATLAB工具箱中实现，可在https://github.com/ddegras/switch-ssm上获得。
2021-06-09 stat.AP stat.ME
Zero-state Markov switching count-data models: an empirical assessment
在这项研究中，提出了一种两状态马尔可夫切换计数数据模型作为零膨胀模型的替代方案，以考虑有时在运输计数数据中观察到的零的优势，例如在一段时间内发生在路段上的事故数量。对于这种事故频率的情况，零膨胀模型假设存在两种状态：其中一种状态是零事故计数状态，其中事故概率非常低，以至于无法在统计上与零区分开来，另一种状态是正常计数状态，其中计数可以是由某些计数过程生成的非负整数，例如泊松或负二项式。与零膨胀模型相反，马尔可夫切换模型允许特定路段随着时间的推移在两种状态之间切换。该马尔可夫切换方法的重要优点在于其允许对特定道路段状态（即，零或计数状态），而传统的零膨胀模型则不是。为了证明这种方法的适用性，一个两个状态的马尔可夫切换负二项模型（估计与贝叶斯推断）和标准的零膨胀负二项模型估计使用五年的事故频率印第安纳州际公路段。它表明，马尔可夫切换模型是一个可行的替代方案，并导致在一个优越的统计拟合相对于零膨胀模型。
2009-08-02 stat.AP stat.ME
Markov switching negative binomial models: an application to vehicle accident frequencies
本文提出了两状态马尔可夫切换模型来研究事故频率。这些模型假设存在两种不可观测的道路安全状态，并且道路实体（路段）可以随着时间的推移在这些状态之间切换。状态是不同的，在这个意义上，在不同的状态下，事故频率是由单独的计数过程（通过单独的泊松或负二项过程）产生的。为了证明本文所提出的方法的适用性，两个状态的马尔可夫切换负二项模型估计使用五年的事故频率印第安纳州际公路段。贝叶斯推断方法和马尔可夫链蒙特卡罗（MCMC）模拟用于模型估计。估计马尔可夫转换模型的结果在一个优越的统计拟合相对于标准（单状态）负二项模型。研究发现，更频繁的状态是安全的，它与更好的天气条件。频率较低的状态被认为是不太安全的，并与不利的天气条件。
2008-11-13 stat.AP stat.ME
Markov Switching Smooth Transition GARCH Model
考虑了一个马尔可夫转换的非对称Gestival模型，该模型增加了负冲击的杠杆效应。研究了二阶矩的渐近行为，并计算了二阶矩的上界。通过Gibbs和griddy Gibbs抽样的baking策略被用来估计参数。最后通过两个实际数据集对模型的性能进行了研究。我们表明，该模型具有最好的样本拟合通过DIC，并提供了一个更好的预测时，负偏度是足够大的。
2017-11-20 math.ST stat.ME stat.TH
Gradient boosting in Markov-switching generalized additive models for location, scale and shape
提出了一类新的灵活的潜在状态时间序列回归模型，我们称之为马尔可夫切换广义可加模型的位置，规模和形状。与传统的马尔可夫切换回归模型相比，所提出的方法允许我们对响应分布的不同状态相关参数进行建模-不仅是平均值，而且是方差，偏度和峰度参数-作为给定解释变量的潜在平滑函数。此外，可以为响应指定的可能分布集不限于指数族，还包括各种Box-Cox变换、零膨胀和混合分布。我们提出了一种基于期望最大化算法的估计方法，其中我们使用梯度提升框架来防止过拟合，同时执行变量选择。所提出的方法的可行性进行了评估，在模拟实验中，并说明在一个真实的数据设置，在那里我们模拟的条件分布的每日平均价格的能源在西班牙随着时间的推移。
2018-05-17 stat.CO stat.ME
Coherent prior distributions in univariate finite mixture and Markov-switching models
有限混合和马尔可夫转换模型推广，因此，巢规格只有一个组件。在一般（混合）模型及其特殊（单组分）情况下指定先验时，可能需要确保引入两种结构的先验假设在嵌套模型中的先验分布相当于相关参数约束下混合模型中的条件先验的意义上是一致的。该研究提供了在贝叶斯单变量有限混合模型和马尔可夫转换模型中设置相干先验的基础。一旦一些主要的结果是交付，我们得到的情况下，通常从事贝叶斯建模的三种类型的连续先验的一致性的具体条件：正常的，反伽玛分布，和Γ分布。此外，我们研究了在混合模型的先验中引入额外约束（例如强制可识别性或某种规律性（例如二阶平稳性）的约束）对相干条件的影响。最后，通过讨论为一类马尔可夫切换AR（2）模型设置相干先验来说明该方法。
2013-09-03 math.ST stat.ME stat.TH
MSTest: An R-Package for Testing Markov Switching Models
本文介绍了R包MSTest，它通过实现多种假设检验程序来识别马尔可夫切换模型中的状态数量，并支持利用EM算法或MLE模拟与估计相关过程，最后通过实验和实际数据验证了其功能。
2024-11-12 econ.EM stat.CO stat.ME
Bayesian Markov-Switching Partial Reduced-Rank Regression
CUNEF Universidad（CUNEF大学）；Luiss University（卢伊斯大学）；University of Milan（米兰大学）；Fondazione Eni Enrico Mattei（埃尼·恩里科·马泰伊基金会）；Queen Mary University of London（伦敦大学玛丽女王学院）；Memorial University of Newfoundland（纽芬兰纪念大学）
本文提出贝叶斯马尔可夫切换部分降维回归模型，通过分组和秩估计处理时间变化的响应分组和不同复杂度的回归关系。
2025-12-19 stat.CO stat.ME
Efficient smoothness selection for nonparametric Markov-switching models via quasi restricted maximum likelihood
针对非参数马尔可夫切换模型中数据驱动平滑参数选择计算成本高的问题，提出利用惩罚样条的随机效应结构进行拟限制最大似然估计，大幅降低计算负担并提高参数估计精度。
2024-11-18 stat.CO stat.ME
Switching nonparametric regression models for multi-curve data
我们开发和应用的方法来分析多曲线数据，其中每一条曲线是由一个潜在的状态过程。任何特定点的状态决定了一个平滑函数，迫使单个曲线从一个函数切换到另一个函数。因此，每条曲线都遵循我们所说的切换非参数回归模型。我们开发了一个期望最大化算法来估计模型参数。我们还得到了状态过程参数估计的标准误。我们考虑几种类型的状态过程：独立同分布，独立，但取决于协变量和马尔可夫。模拟研究表明，我们的估计的频率属性。我们将我们的方法应用于一个建筑物的电力使用的数据集。
2017-09-13 stat.AP stat.ME stat.ML
Estimation of High-Dimensional Markov-Switching VAR Models with an Approximate EM Algorithm
针对高维时间序列机制转换估计难题，提出适用于马尔可夫切换VAR模型的近似EM算法，证明其高维一致性，经模拟和癫痫脑电数据验证有效。
2025-09-04 stat.ME stat.ML
Switching Regression Models and Causal Inference in the Presence of Discrete Latent Variables
给定响应$Y$和$d$预测因子的向量$X = (X^1, \dots, X^d)$，我们研究在向量$X$中推断$Y$的直接原因的问题。使用其所有因果协变量作为预测因子的$Y$模型具有在不同环境或干预设置中保持不变的特性。鉴于来自这种环境的数据，这种属性已被用于因果发现。在这里，我们扩展这个推理原则的情况下，一些（离散值）的直接原因$ Y $是未观察到的。这种情况自然会引起切换回归模型。给出了高斯噪声线性切换回归模型极大似然估计存在、相合和渐近正态性的充分条件，并构造了这类模型的相等性检验.这些结果使我们能够证明所提出的因果发现方法在温和的条件下获得渐近错误发现控制。我们提供了一个算法，使可用的代码，并测试我们的方法模拟数据。它对模型违规具有鲁棒性，并且优于最先进的方法。我们进一步将我们的方法应用于真实的数据集，在那里我们表明它不仅输出因果预测因子，而且还输出基于过程的数据点聚类，这可能会引起从业者的额外兴趣。
2020-03-11 math.ST stat.ME stat.TH
