Dirichlet process multi-state mixture models

doi:10.1016/j.csda.2026.108359

Dirichlet process multi-state mixture models

2026-02-01

0

PRE

AI

DOI：10.1016/j.csda.2026.108359

原文链接

原文求助

摘要

En 中文

引入了一种贝叶斯非参数框架，用于建模连续时间多状态过程的离散观测轨迹。通过采用带有马尔可夫、非齐次马尔可夫和半马尔可夫核的狄利克雷过程混合，该方法灵活地捕捉了过程动力学中的未观测异质性。关键在于，混合结构诱导了一种广义的非马尔可夫性，因为未来状态预测通过成分特定的加权依赖于整个观测历史。这使得模型能够捕捉传统多状态模型范围之外的复杂时间依赖性和记忆效应。通过模拟研究和真实数据集的应用，验证了该方法的有效性。

Keyword:

Bayesian nonparametrics

Clustering

Inhomogeneous Markov

Semi-Markov

Uniformization

Dirichlet process multi-state mixture models

摘要

期刊

机构

引用论文