混合隠れマルコフモデル

隠れマルコフモデル（HMM）は、過分散した自己相関データの挙動を捉えるための有用なツールです。これらのモデルは、音声認識、降水量モデリング、遺伝子発見およびプロファイリングなど、多くの異なる問題に適用されています。通常、HMMは個々の確率過程に適用されますが、複数の過程を同時にモデル化するHMM（縦断データの設定のように）は広く研究されていません。本記事では、共変量とランダム効果の両方を使用して過程間の違いを捉える新しいモデルクラス、混合HMM（MHMM）を紹介します。モデルを一般化線形混合モデルの枠組みを用いて定義し、その解釈について議論します。次に、パラメータ推定のためのアルゴリズムを提供し、シミュレーション研究を通じて推定量の特性を示します。最後に、MHMMの実用的な使用例を示すために、多発性硬化症患者における病変数のデータに適用を提供します。私のモデルは、簡潔でありながら、そのような患者の異質性を説明できることを示します。