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
A Factor-Augmented Markov Switching (FAMS) Model
本文研究了高维信息集在具有时变转移概率的马尔可夫切换模型中的作用。马尔可夫转换模型通常用于实证宏观经济研究和政策工作。然而,用于模拟切换过程的信息通常是有限的,以确保模型的稳定性。增加包含变量的数量以扩大信息集甚至可能导致模型精度降低。此外,当涉及到通知切换行为时,通常不清楚先验哪些变量实际上是相关的。在因子分析领域的最新贡献的基础上,我们引入了一种用于非线性时间序列分析的一般类型的马尔可夫切换自回归模型。大量的时间序列被允许通过因子结构来通知切换过程。这个因素增强马尔可夫转换(FAMS)模型克服了估计问题,可能会出现在以前的评估建模框架。更准确地估计开关行为以及改进的模型拟合结果。FAMS模型的性能说明在模拟数据的例子,以及在美国经济周期的应用。
2019-05-03 econ.EM stat.AP
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
Consistency of the maximum likelihood estimate for Non-homogeneous Markov-switching models
在过去的几十年里,人们提出了许多非线性时间序列模型。其中,具有状态转换的模型提供了一类通用的和可解释的模型,在文献中受到了特别的关注。在本文中,我们考虑了一个大的家庭这样的模型,推广了著名的马尔可夫切换自回归(MS-AR),允许非齐次切换和阈值自回归(TAR)模型。我们证明了与这些模型的稳定性和最大似然估计(MLE)的渐近性质有关的各种理论结果。该模型捕捉复杂的非线性的能力,然后说明了各种时间序列。
2014-05-18 stat.AP
Jump Diffusion and α-Stable Techniques for the Markov Switching Approach to Financial Time Series
在非平稳数据的分析方面,我们对马尔可夫转换跳跃扩散模型和马尔可夫转换α-稳定分布模型进行了详细的比较。我们证明了跳跃扩散模型在金融时间序列的拟合上是非常稳健、灵活和精确的。一个彻底的计算研究,涉及两个模型被应用到实际数据,即标准普尔500指数,提供。研究表明,跳跃扩散模型解决了(Di Persio和Frigo,2016)中提出的过度平滑问题,而α-稳定分布方法是隐含波动率估计中计算工作量和性能之间的良好折衷,这是专门文献中广泛强调的一个主要问题。
2016-05-19 stat.AP
A Comparison between Markov Switching Zero-inflated and Hurdle Models for Spatio-temporal Infectious Disease Counts
针对传染病计数中疾病持续与再现需分别建模的问题,本文提出马尔可夫转换负二项hurdle模型,并与零膨胀版本比较;基于里约热内卢基孔肯雅热数据,零膨胀马尔可夫模型预测最佳。
2025-06-11 stat.AP
Markovian RNN: An Adaptive Time Series Prediction Network with HMM-based Switching for Nonstationary Environments
Bilkent University(比尔肯特大学);DataBoss A. S.(DataBoss股份公司)
本文研究非平稳序列数据的非线性回归。在大多数现实生活中的应用,如商业领域,包括金融,零售,能源和经济,时间序列数据表现出非平稳性,由于底层系统的时间变化的动态。我们介绍了一种新的递归神经网络(RNN)架构,它自适应切换内部制度之间的马尔可夫方式来模拟给定数据的非平稳性质。我们的模型,马尔可夫RNN采用隐马尔可夫模型(HMM)的政权过渡,其中每个政权独立地控制隐藏的状态转换的经常性细胞。我们以端到端的方式共同优化整个网络。我们通过对合成和真实数据集的一系列广泛实验,证明了与香草RNN和传统方法(如Markov Switching ARIMA)相比的显着性能提升。我们还解释了推断的参数和政权的信念值,以分析给定序列的潜在动态。
2020-06-17 cs.LG stat.ML
Unified Treatment of Hidden Markov Switching Models
许多现实世界中遇到的问题,在几个学科处理的时间序列包含不同的基本动力学制度,概率方法是非常经常采用的建模。在本文中,我们描述了几个这样的方法在图形模型的共同框架。我们给出了一个统一的概述,以前在文献中介绍的模型,这是更简单,更全面的比以前的描述,使我们能够突出的共性和差异模型,在过去没有观察到。此外,我们提出了几个新的模型和推理例程,这是自然地在这个统一的观点。
2011-04-11 stat.ML
Zero-state Coupled Markov Switching Count Models for Spatio-temporal Infectious Disease Spread
传染病病例的时空计数通常包含过多的零。由于现有的零膨胀计数模型适用于这些数据,因此难以量化疾病在地区之间传播的影响的时空异质性。此外,现有的方法不允许单独的动态影响疾病的重新出现和持续。作为一种替代方案,我们开发了一个新的零状态耦合马尔可夫切换负二项模型,根据该模型,疾病之间的存在和不存在的时期,在每个区域通过一系列的部分隐藏的非齐次马尔可夫链耦合相邻位置之间的切换。当疾病存在时,自回归负二项模型生成可能为0的病例,表示未检测到疾病。贝叶斯推断和预测说明使用时空计数的登革热病例在巴西里约热内卢。
2021-12-03 stat.AP
Adaptive time series forecasting with markovian variance switching
Universidad Pompeu Fabra(庞培法布拉大学);Viking Conseil(维京咨询公司);Sorbonne Université(索邦大学)
本文针对制度变化下的自适应预测问题,提出基于在线学习与专家聚合的马尔可夫切换方差估计方法,并在合成数据和电力负荷预测中验证其鲁棒性与优越性。
2024-02-22 cs.LG math.PR stat.ML
Semi-Markov Switching Vector Autoregressive Model-based Anomaly Detection in Aviation Systems
NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
在这项工作中,我们考虑在异构,多变量,可变长度的时间序列数据集的异常检测问题。我们的重点是航空安全领域,其中数据对象是航班,时间序列是传感器读数和飞行员开关。在这种情况下,目标是检测由于机械、环境或人为因素而导致的异常飞行路段,以识别运营上的重大事件,提供对飞行运营的见解,并强调否则无法实现的潜在安全风险和事故前兆。为了这个目的,我们提出了一个框架,代表每个航班使用半马尔可夫切换向量自回归(SMS-VAR)模型。然后,异常的检测基于测量模型的预测和数据观察之间的差异。由于大多数计算的固有并行性质,该框架是可扩展的,并且可以用于执行在线异常检测。在模拟和真实数据集上的大量实验结果表明,该框架可以检测各种类型的异常以及所涉及的关键参数。
2016-02-28 cs.LG stat.AP stat.ML
A Markov-Switching Model Approach to Heart Sound Segmentation and Classification
Universiti Teknologi Malaysia(马来西亚理工大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
目的:本文认为,在开发算法的准确分割和分类的心音(HS)信号的挑战。研究方法:我们提出了一种基于马尔可夫切换自回归模型(MSAR)分割的HS成四个基本组成部分,每个具有不同的二阶结构的方法。识别的边界,然后用于自动分类的病理HS使用连续密度隐马尔可夫模型(CD-HMM)。在状态空间形式制定的澳门特区是能够同时捕获HS中的连续隐藏的动态,和政权切换的动态使用离散马尔可夫链。这克服了HMM使用单层离散状态的限制。我们介绍了三种模型估计方案:(1)。开关卡尔曼滤波器(SKF);(2.)精炼SKF;(3.)SKF和持续时间相关维特比算法(SKF-Viterbi)的融合。结果:在Physionet/CinC Challenge 2016数据库上对所提出的方法进行了评价。SKF-Viterbi算法的分割精度从71%提高到84.2%,明显优于SKF算法。使用CD-HMM作为分类器和Mel频率倒谱系数(MFCC)作为特征,不仅可以表征HS信号的正常和异常形态,而且可以表征被认为是不可分类的形态(表示为X因子)。它给出了异常搏动的分类率,最佳总F1评分为90.19(无X因子)和82.7(有X因子)。结论:所提出的用于病理性HS的自动定位和检测的MSAR方法在大HS数据集上显示出显著的性能。意义:它在心脏监测系统中有潜在的应用,以帮助心脏病学家进行心脏病理的预筛选。
2018-09-10 cs.LG eess.SP stat.AP
Explicit-Duration Markov Switching Models
University of Cambridge(剑桥大学);Microsoft Research Cambridge(微软研究院剑桥分院);Google DeepMind(谷歌DeepMind)
马尔可夫切换模型(MSM)是采用多组参数来描述时间序列在不同时间段可能表现出的不同动态状态的概率模型。状态之间的切换机制由形成一阶马尔可夫链的未观察到的随机变量控制。明确的持续时间MSM包含额外的变量,明确模型的时间分布在每个政权。这允许定义任何形式的持续时间分布,但也可以在观测之间施加复杂的依赖关系,并将动态重置为初始条件。专注于前两个属性的模型通常被称为隐半马尔可夫模型或分段模型,而专注于第三个属性的模型通常被称为变点模型或重置模型。在这本专著中,我们提供了一个明确的持续时间建模的描述,通过分类不同的方法分为三组,不同的编码在明确的持续时间变量不同的信息政权变化/重置边界。使用图形模型的形式主义,它允许以图形方式表示和评估统计依赖性,因此可以很容易地描述复杂的模型的结构,并推导出推理例程的方法。该演示文稿的目的是教学,侧重于提供一个模型结构的约束和推理性能方面的三个群体的表征。该专著补充了一个软件包,其中包含所描述的大多数模型和示例。提出的材料应该是有用的研究人员希望了解这些模型和研究人员希望进一步发展。
2019-09-12 cs.LG stat.ML
Markov Switching Component ARCH Model: Stability and Forecasting
本文介绍了马尔可夫切换Gestival模型的一个扩展,其中每个状态的波动率是两个不同的Gestival分量与时变权重的凸组合。该模型具有捕捉冲击变量的动态行为。研究了二阶矩的渐近行为,并给出了一个合适的上界。研究了基于吉布斯抽样算法的贝叶斯参数估计方法。最后通过仿真和实证分析说明了模型的有效性。我们发现,该模型提供了一个更好的预测的波动性比马尔可夫切换Gesthem模型。
2014-02-19 stat.ME
Bayesian Markov Switching Tensor Regression for Time-varying Networks
提出了一种新的二值时间序列多维数组(张量)贝叶斯马尔可夫切换回归模型。我们假设一个零膨胀logit回归与时变参数,并将其应用到多层时间网络。原来的贡献是三重的。首先,为了避免过度拟合,我们提出了一个简约的参数化的基础上的低秩分解的张量的回归系数。其次,我们假设参数是由一个隐藏的马尔可夫链,从而允许在网络拓扑结构的变化。我们遵循贝叶斯推理方法,并提供了一个有效的吉布斯采样后验近似。我们将该方法应用于一个真实的金融网络数据集,研究了几个风险因素对边缘概率的影响。本文的补充材料可在网上查阅。
2019-07-03 stat.ME
Bayesian nonparametric panel Markov-switching GARCH models
本文提出了一种新的具有马尔可夫转换效应的面板数据模型。该模型采用了一个系列特定的隐藏的马尔可夫链过程,驱动的Gestival参数。为了应对参数空间的高维性,本文利用截面聚类的系列首先假设一个软参数池通过分层先验分布与两个步骤,然后通过非参数先验分布在参数空间中引入聚类效应。通过仿真实验对模型和推理进行了评价。结果表明,推理是能够恢复的参数的真实值和组的数量在每个政权。本文还利用两区马尔可夫转换GARCH模型对2000年1月至2020年10月的SP100指数的78种资产进行了实证应用。研究结果表明,在第一和第二政权的成分之间存在2和3集群,分别。
2020-12-18 stat.ME
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
Bayesian estimation of trend components within Markovian regime-switching models for wholesale electricity prices: an application to the South Australian wholesale electricity market
我们讨论和扩展方法估计马尔可夫制度转换(MRS)和趋势模型的批发电价。我们认为,电价建模文献中使用的现有趋势估计方法要么需要对极端价格进行模糊定义,要么在实施模型选择时导致问题[23]。本文的第一个主要贡献是设计和推断一个模型,该模型具有基于模型的极端价格定义,并允许使用模型选择标准。由于MRS模型的复杂性,推断并不简单。在现有文献中,使用近似期望最大化算法[26]。本文的另一个贡献是在贝叶斯环境中实现精确推理。这也允许使用后验预测检查来评估模型拟合。我们证明了南澳大利亚电力市场的方法。
2020-09-16 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
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
Multivariate Markov-Switching models and tail risk interdependence
马尔可夫转换模型通常用于分析财务回报,因为它们能够捕捉经常观察到的程式化事实。在本文中,我们认为一个多变量的学生t版本的模型作为一个可行的替代通常的多元高斯分布,提供了一个自然的强大的扩展,占重尾和随时间变化的非线性相关性。此外,这些建模假设使我们能够捕捉极端的尾部联动,这对于评估极端事件(如金融危机)期间资产回报的潜在依赖结构至关重要。对于所考虑的模型,我们提供了新的风险相互依存的措施,概括现有的,如条件风险价值(CoVaR)。建议的措施旨在捕捉多个相关市场参与者之间的相互联系,这在危机期间尤其重要,因为多个机构可能同时经历困境。这些措施是分析评估的预测分布的模式,以提供一个前瞻性的风险量化。一组美国银行的应用程序被认为是表明,正确的规格的模型条件分布随着多个风险的相互依赖性措施可能有助于更好地了解如何在机构之间的整体风险分担。
2014-03-02 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
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
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
Identifiable Markov Switching Models with Instantaneous Effects and Exponential Families
University of Amsterdam(阿姆斯特丹大学)
针对非平稳时间序列,提出在指数族噪声下具有瞬时效应的马尔可夫切换模型的可识别性理论,并开发FlowMSM框架用于检测隐状态和恢复因果结构。
2026-06-15 cs.LG stat.ME stat.ML