部分观测马尔可夫链的渐近归一化对数似然最大化集
统计理论
2015-10-01 v1 统计理论
摘要
本文研究参数化的部分观测二元马尔可夫链族。我们证明，在非常温和的假设下，当参数属于真参数的等价类时，归一化对数似然函数的极限被最大化，这是在正确指定模型中获得最大似然估计量（MLEs）一致性的关键特征。该结果在部分支配模型的一般框架下得到。我们考察两个关注的具体情形，即隐马尔可夫模型（HMMs）和可观测驱动时间序列模型。与先前方法相反，可辨识性通过依赖于与完整数据关联的马尔可夫链的不变分布的唯一性来解决，无论其收敛到平衡的速度如何。
引用
@article{arxiv.1509.09048,
title = {The maximizing set of the asymptotic normalized log-likelihood for partially observed Markov chains},
author = {Randal Douc and Francois Roueff and Tepmony Sim},
journal= {arXiv preprint arXiv:1509.09048},
year = {2015}
}