Оценивание параметров моделей регрессий с учетом изменений в случайный момент времени

В. А. Силаева; М. В. Силаева; А. М. Силаев

?

Оценивание параметров моделей регрессий с учетом изменений в случайный момент времени

С. 516–522.

Силаева В. А., Силаева М. В., Силаев А. М.

Рассматривается задача оценивания параметров временных рядов со скачкообразными изменениями в случайные моменты времени. Для решения используется алгоритм, основанный на вычислении апостериорных вероятностей моментов появления скачков параметров на интервале наблюдения. Предлагается вариант EM алгоритма, основанный на итерационной процедуре, в ходе которой происходит чередование оценивания параметров моделей при заданном моменте скачка и оценивания момента появления скачка при заданных параметрах моделей. Алгоритм применяется для оценивания параметров моделей регрессии, описывающих ряд уровня безработицы в России с 1994 г. по 2019 г.

Язык: русский

Полный текст

Ключевые слова: EM алгоритм модели регрессии метод максимума правдоподобия

В книге

Системное моделирование социально-экономических процессов: труды 42-ой международной научной школы-семинара имени академика С.С.Шаталина

Воронеж: Истоки, 2019.

Анализ алгоритмов обнаружения дипфейков

Федотов Г. А., Международный вестник криминалистики 2024 № 92 С. 77–83

В последние годы наблюдается значительный прогресс в качестве синтетически сгенерированного контента. Кроме того, регулярно появляются инструменты, с помощью которых обычный пользователь персонального компьютера может создать реалистичный поддельный контент. В работе исследуется развитие генеративных моделей в задаче Face Synthesis, а также способы обнаружения дипфейков, созданных с помощью моделей этого класса. Представленные в работе подходы показали хорошую ...

Добавлено: 24 сентября 2025 г.

Оценивание параметров моделей бинарного выбора с учетом изменений в случайный момент времени

Силаев А. М., Силаева М. В., В кн.: Системное моделирование социально-экономических процессов: труды 46-ой международной научной школы-семинара, г. Уфа, 9 - 15 октября 2023 г.: Воронеж: Истоки, 2024. С. 657–663.

Рассматривается задача оценивания параметров моделей бинарного выбора со скачкообразными изменениями в случайные моменты времени. Для решения используется алгоритм, основанный на вычислении апостериорных вероятностей моментов появления скачков параметров на интервале наблюдения. Предлагается вариант EM алгоритма, основанный на итерационной процедуре, в ходе которой происходит чередование оценивания параметров моделей при заданном моменте скачка и оценивания момента появления скачка ...

Добавлено: 14 февраля 2024 г.

Оценивание моделей регрессии с марковскими переключениями параметров

Силаева В. А., Силаева М. В., Силаев А. М., В кн.: Системное моделирование социально-экономических процессов: труды 41-ой международной научной школы-семинара, г. Нижний Новгород, 30 сентября – 4 октября 2018 г.: Воронеж: Истоки, 2018. С. 499–502.

Рассматривается задача оценивания параметров временных рядов, описываемых регрессионными моделями с марковскими переключениями двух режимов в случайные моменты времени и независимыми гауссовскими шумами. Для решения предлагается вариант EM алгоритма, основанный на итерационной процедуре, в ходе которой происходит чередование оценивания параметров регрессии при заданной последовательности переключений режимов и оценивания последовательности переключений при заданных параметрах моделей регрессии. Предложенный ...

Добавлено: 13 января 2020 г.

Оценивание параметров моделей временных рядов с марковскими переключениями режимов

Силаева В. А., Силаева М. В., Силаев А. М., Компьютерные исследования и моделирование 2018 Т. 10 № 6 С. 903–918

В работе рассматривается задача оценивания параметров временных рядов, описываемых регрессионными моделями с марковскими переключениями двух режимов в случайные моменты времени и независимыми гауссовскими шумами. Для решения предлагается вариант EM алгоритма, основанный на итерационной процедуре, в ходе которой происходит чередование оценивания параметров регрессии при заданной последовательности переключений режимов и оценивания последовательности переключений при заданных параметрах моделей регрессии. В ...

Добавлено: 25 февраля 2018 г.

Deep Part-Based Generative Shape Model with Latent Variables

Kirillov A., Gavrikov M., Лобачева Е. М. и др., , in: Proceedings of the 27th British Machine Vision Conference.: -, 2016. P. 1–12.

The Shape Boltzmann Machine (SBM) and its multilabel version MSBM have been recently introduced as deep generative models that capture the variations of an object shape. While being more flexible MSBM requires datasets with labeled parts of the objects for training. In the paper we present an algorithm for training MSBM using binary masks of ...

Добавлено: 24 февраля 2017 г.

Limits of Kalman Filter application in heavy tailed problems

Конаков В. Д., Мозгунов П. А., / Cornell University. Серия math "arxiv.org". 2015. № 1505.07981.

В данной работе рассматривается поведение классического алгоритма Фильтр Калмана в случае, когда ошибки имеют распределение с "тяжелыми хвостами". Для этого была использована симулированная модель, в которой шумы наблюдений распределены нормально, а шумы ненаблюдаемых состояний заменены на ошибки, имеющие $\alpha$-устойчивое распределение c двумя меняющимися параметрами $\alpha$ и $\beta$. Нами рассмотрено два случая: когда все параметры известны, ...

Добавлено: 1 июня 2015 г.