内萨娜·梅奥 基于边际主成分分析的动态模型的估计。 （英语） Zbl 1291.62168号 统计 45，第1期，101-120（2011）。 小结：我们合法地使用ARCH和隐马尔可夫模型等参数时间序列模型对边际主成分分析的因素进行分析。更一般地，我们研究近似似然的最大值。它本身通常效率低下，但在比经典最大似然估计量更弱的假设下显示出良好的性能。它的主要优点是计算复杂性的关键增益，因为最大化过程减少到基本和可分离的最大化步骤。此外，我们对程序进行了有效和稳健的升级，大力提倡使用MALE。 MSC公司： 62M10个 统计学中的时间序列、自相关、回归等（GARCH） 62H25个 因子分析和主成分；对应分析 2005年6月2日 马尔可夫过程：估计；隐马尔可夫模型 关键词：PCA公司;动力系数;高维时间序列;估计参数 PDF格式BibTeX公司 XML格式引用 \textit｛N.Mayo｝，《统计》第45期，第1期，第101-120页（2011年；兹bl 1291.62168） 全文： 内政部 参考文献： [1] 内政部：10.2307/2975974·doi:10.2307/2975974 [2] 内政部：10.1016/0304-405X（77）90009-5·doi:10.1016/0304-405X（77）90009-5 [3] 内政部：10.1016/0304-4076（94）90067-1·Zbl 0825.62950号 ·doi:10.1016/0304-4076（94）90067-1 [4] DOI:10.1016/j.jbankfin.2007.09.023·doi:10.1016/j.jbankfin.2007.09.023 [5] DOI:10.1103/PhysRevE.65.066126·doi:10.1103/PhysRevE.65.066126 [6] Jolliffe I.T.，主成分分析（2010） [7] Choi S.，神经信息。过程。莱特。第6版第1页–（2004） [8] DOI:10.1162/neco.2008.04-08-771·Zbl 1156.94306号 ·doi:10.1162/neco.2008.04-08-771 [9] Pearlmutter，B.和Parra，L.《最大似然盲源分离：ICA的上下文敏感推广》。1996年神经信息处理系统进展会议记录。编辑：Mozer，M.C.，Jordan，M.I.和Thomas Petsche。第9卷，剑桥：麻省理工学院出版社。 [10] 内政部：10.1162/neco.1998.10.6.1373·doi:10.1162/neco.1998.10.6.1373 [11] Penny，W.D.和Roberts，S.J.，1999年。”具有扩展观测密度的隐马尔可夫模型”。伦敦：帝国理工学院。技术报告 [12] Murata N.，《变化环境中的自适应在线学习》（1997年） [13] R.Everson和S.J.Roberts，非静态独立成分分析，技术报告TR-99-1，第八届人工神经网络国际会议论文集，ICANN-99，《神经计算展望》，柏林斯普林格出版社，1999年，第503-508页 [14] Saidane，M.2006年。”事实上，这是一个金融机构的条件和结构。蒙彼利埃数学研究所IMR CNRS 5149。 [15] van der Vaart A.W.，《渐进统计》（2006）·Zbl 0910.62001号 [16] Hampel F.R.和J.Amer。统计师。Assoc 62第1179页–（1974） [17] DOI:10.1093/biomet/78.3.451·Zbl 1193.62016年6月 ·doi:10.1093/biomet/78.3.451 [18] 内政部：10.1016/0304-4076（90）90099-F·doi:10.1016/0304-4076（90）90099-F [19] Silvennoinen A.，多元GARCH模型 [20] Meyn S.P.，马尔可夫链与随机稳定性（1994） 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。