带有不可忽略缺失数据的隐马尔科夫因子模型的贝叶斯分析开题报告

全文总字数：556字

1. 研究目的与意义

隐马尔可夫因子模型在刻画多元纵向数据的关联性和异质性具有重要作用，但是，在实际生活中，观测数据往往呈现缺失数据，本文在纵向框架内，对缺失的数据提出了一个建模，使用一个多项模型去拟合缺失数据指标，并提出一系列一维条件分布的联合分布来建模。

实验结果表面，本文所提出的方法在模型是正确指定时是十分有效的，而且对于模型偏移也具有一定的稳健性。

2. 国内外研究现状分析

谈到HMM，首先简单介绍一下马尔可夫过程(Markov Process)，它因俄罗斯数学家安德烈马尔可夫而得名，代表数学中具有马尔可夫性质的离散随机过程。

隐马尔可夫模型(Hidden Markov Model，HMM) 最初由 L. E. Baum 和其它一些学者发表在一系列的统计学论文中，随后在语言识别，自然语言处理以及生物信息等领域体现了很大的价值。

3. 研究的基本内容与计划

本文在纵向框架内，对缺失的数据提出了一个建模，使用一个多项模型去拟合缺失数据指标，并提出一系列一维条件分布的联合分布来建模，最终推出实验结果。

具体框架如下：1、提出模型2、建立缺失机制3、进行先验分布4、抽样5、模拟并拟合相应图像6、结论与拓展延伸

4. 研究创新点

本文更为缜密的考虑了一定数量的因素作为参量，使得实验结果更为准确。