R 离散时间马尔可夫链的标准差和标准差的计算

我有一个从一个状态到另一个状态的转换计数矩阵，我想计算最大似然估计、标准误差和标准偏差。“markovchain”包有一个示例，但数据是一个序列。我的数据来自155家公司的平衡面板数据集，因此他们提供的示例代码对我不适用

这是我遵循的示例：

 data(rain)
 rain$rain[1:10]

 [1] "6+"  "1-5" "1-5" "1-5" "1-5" "1-5" "1-5" "6+"  "6+"  "6+"

 #obtaining the empirical transition matrix
 createSequenceMatrix(stringchar = rain$rain)
      0 1-5  6+ 
0   362 126  60 
1-5 136  90  68 
6+   50  79 124

#fitting the DTMC by MLE
alofiMcFitMle <- markovchainFit(data = rain$rain, method = "mle", name = "Alofi")
alofiMcFitMle
$estimate
Alofi
A  3 - dimensional discrete Markov Chain defined by the following states:
 0, 1-5, 6+
 The transition matrix  (by rows)  is defined as follows:
            0       1-5        6+
0   0.6605839 0.2299270 0.1094891
1-5 0.4625850 0.3061224 0.2312925
6+  0.1976285 0.3122530 0.4901186
$standardError
             0        1-5         6+
0   0.03471952 0.02048353 0.01413498
1-5 0.03966634 0.03226814 0.02804834
6+  0.02794888 0.03513120 0.04401395
$confidenceInterval
$confidenceInterval$confidenceLevel
[1] 0.95
$confidenceInterval$lowerEndpointMatrix
            0       1-5         6+
0   0.6034754 0.1962346 0.08623909
1-5 0.3973397 0.2530461 0.18515711
6+  0.1516566 0.2544673 0.41772208
$confidenceInterval$upperEndpointMatrix
            0       1-5        6+
0   0.7176925 0.2636194 0.1327390
1-5 0.5278304 0.3591988 0.2774279
6+  0.2436003 0.3700387 0.5625151
$logLikelihood
[1] -1040.419

数据（雨）
雨$rain[1:10]
[1] "6+"  "1-5" "1-5" "1-5" "1-5" "1-5" "1-5" "6+"  "6+"  "6+"
#经验转移矩阵的求取
createSequenceMatrix（stringchar=rain$rain）
0 1-5  6+ 
0   362 126  60 
1-5 136  90  68 
6+   50  79 124
#用最大似然法拟合DTMC
AlofimFitmle我没有看到一个合适的统计要求。您提供的是一组观察结果，显然是某个过程的结束状态，并且要求使用与未观察到的转换过程相关的ML方法执行
。是的。我想计算6x6矩阵每个变换的最大似然误差，即矩阵中每个元素的计数除以行和。一旦我有了最大似然估计，我想得到最大似然估计的标准误差和标准偏差。仍然不清楚最大似然估计是什么。MLE通常指统计模型的一个参数。如果你还没有观察到整个过程，我还看不到一个能被计算出来的。我能想象的从单个6x6矩阵产生的最好结果是对比例的估计，se可能来自多项式分布。然而，由于我们不知道起点以及过程是否实现了任何形式的稳定性，因此无法保证这些是过渡矩阵的估计值。我应该提到我遵循的过程。我道歉。我假设一阶马尔可夫链。在我的样本期间，我有6个州代表了155家公司的信用评级。我计算有多少公司从州I开始，有多少公司过渡到州j来制作矩阵。估计值是从状态i过渡到状态j的公司的比例，矩阵是系统的概率分布。我不明白为什么在初始状态不确定的马尔可夫过程中观察到的计数必须为过程过渡矩阵的估计提供足够的信息。在我看来，你没有提供足够的信息。我看不到一个适当的统计要求。您提供的是一组观察结果，显然是某个过程的结束状态，并且要求使用与未观察到的转换过程相关的ML方法执行
。是的。我想计算6x6矩阵每个变换的最大似然误差，即矩阵中每个元素的计数除以行和。一旦我有了最大似然估计，我想得到最大似然估计的标准误差和标准偏差。仍然不清楚最大似然估计是什么。MLE通常指统计模型的一个参数。如果你还没有观察到整个过程，我还看不到一个能被计算出来的。我能想象的从单个6x6矩阵产生的最好结果是对比例的估计，se可能来自多项式分布。然而，由于我们不知道起点以及过程是否实现了任何形式的稳定性，因此无法保证这些是过渡矩阵的估计值。我应该提到我遵循的过程。我道歉。我假设一阶马尔可夫链。在我的样本期间，我有6个州代表了155家公司的信用评级。我计算有多少公司从州I开始，有多少公司过渡到州j来制作矩阵。估计值是从状态i过渡到状态j的公司的比例，矩阵是系统的概率分布。我不明白为什么在初始状态不确定的马尔可夫过程中观察到的计数必须为过程过渡矩阵的估计提供足够的信息。我认为你没有提供足够的信息。