Back to search

National and Kapodistrian University of Athens

Likelihood-Based Inference and Model Selection for Discrete-Time Finite State-Space Hidden Markov Models

Abstract

dc:description

Τα Κρυμμένα Μαρκοβιανά Μοντέλα (ΚΜΜ) είναι μία από τις πιο καρποφόρες ιδέες στατιστικής μοντελοποίησης που έχει αναπτυχθεί τα τελευταία πενήντα χρόνια. Η χρήση λανθανουσών καταστάσεων καθιστά τα ΚΜΜ αρκετά γενικού χαρακτήρα για να διαχειριστούν ένα ευρύ φάσμα πολύπλοκων πραγματικών χρονοσειρών, ενώ η σχετικά απλή δομή εξάρτησής τους επιτρέπει τη χρήση αποτελεσματικών υπολογιστικών διαδικασιών. Αυτή η διπλωματική εργασία ασχολείται με την παρουσίαση Κλασικών και Μπεϋζιανών μεθόδων συμπερασματολογίας και επιλογής μοντέλου για ΚΜΜ. Στη συνέχεια, αυτές οι μέθοδοι εφαρμόζονται σε πραγματικά και προσομοιωμένα δεδομένα με στόχο να διαπιστωθεί η ακρίβεια και η αποτελεσματικότητά τους. Τα ΚΜΜ ανήκουν σε μια γενικότερη κλάση μοντέλων που αναφέρονται ως προβλήματα ελλιπών δεδομένων. Στο πλαίσιο της κλασικής στατιστικής, ο αλγόριθμος Expectation-Maximisation (EM) προσεγγίζει την εκτιμήτρια μέγιστης πιθανοφάνειας (ΕΜΠ) του διανύσματος των παραμέτρων, ενώ, στο πλαίσιο της Μπεϋζιανής στατιστικής, οι μέθοδοι Markov Chain Monte Carlo (MCMC) και συγκεκριμένα ο πλήρως δεσμευμένος δειγματολήπτης Gibbs, εφαρμόζονται για την προσέγγιση της εκ των υστέρων κατανομής του διανύσματος των παραμέτρων. Αυτές οι μέθοδοι εφαρμόζονται πρώτα για την εκτίμηση παραμέτρων σε μοντέλα πεπερασμένων μίξεων κατανομών, τα οποία μπορούν να θεωρηθούν ως ειδικές περιπτώσεις ΚΜΜ, όπου δεν επιτρέπεται καμία εξάρτηση μεταξύ διαδοχικών παρατηρήσεων. Στην περίπτωση των ΚΜΜ μια μορφή αμφίδρομης αναδρομικής διαδικασίας είναι επιπλέον απαραίτητη για τον υπολογισμό της δεσμευμένης κατανομής των κρυφών μεταβλητών, δεδομένων των παρατηρήσεων. Αυτός ο αλγόριθμος Forward-Backward μπορεί να συνδυαστεί είτε με τον αλγόριθμο EM είτε με κάποια μέθοδο MCMC για εκτίμηση παραμέτρων. Τέλος, εξετάζουμε μεθόδους για επιλογή του αριθμού των κρυφών καταστάσεων σε ένα ΚΜΜ. Η κλασική προσέγγιση συνήθως περιλαμβάνει την προσέγγιση των γενικευμένων λόγων πιθανοφανειών μέσω κάποιας τεχνικής bootstrap, ενώ η Μπεϋζιανή προσέγγιση στηρίζεται είτε σε δια-διαστατικές μεθόδους MCMC, οι οποίες περιλαμβάνουν κινήσεις μεταξύ διαφορετικών μοντέλων μαζί με εκτίμηση παραμέτρων, είτε σε μεθόδους προσομοίωσης για την προσέγγιση των περιθωρίων πιθανοφανειών των συγκρινόμενων μοντέλων.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Κατσιάνος Βασίλειος
  • Katsianos Vasileios

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:2800185

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Κατσιάνος Βασίλειος; Katsianos Vasileios. Likelihood-Based Inference and Model Selection for Discrete-Time Finite State-Space Hidden Markov Models. 2018. https://pergamos.lib.uoa.gr/uoa/dl/object/2800185