R 跨参与者构建马尔可夫链

我不熟悉使用马尔可夫链，有一个问题我还没有找到解决方案。我试图将马尔可夫链拟合到数据集，以获得人们从一种状态切换到另一种状态的转移概率，我想知道在构建模型时如何考虑个体参与者的影响

下面是一个例子：

#Here's a dataframe with participant numbers and their state: A, B, C
DF <- data.frame(pp = rep(1:10, each  = 3), 
             state = sample(rep(LETTERS[1:3], each = 10)))

> head(DF)
   pp state
1  1     A
2  1     A
3  1     B
4  2     A
5  2     B
6  2     B

我是否需要为每个参与者单独拟合一个过渡矩阵，然后对他们进行平均？如果是这样的话，我该怎么办

此外，在这种情况下，您将如何处理参与者之间不相同的转换矩阵？例如，一些参与者可能在状态A和状态C之间没有任何转换，而其他参与者可能：

#Example of Participant 1
     A    B
 A 0.25 0.50
 B 0.15 0.55

#Example of Participant 2
     A    C
 A 0.50 0.25
 C 0.25 0.50

---

如果您仅在向量上运行

markovchainFit

，您将得到以下估计值：

> markovchainFit(DF$state)$estimate
MLE Fit 
 A  3 - dimensional discrete Markov Chain defined by the following states: 
 A, B, C 
 The transition matrix  (by rows)  is defined as follows: 
          A         B         C
A 0.2000000 0.3000000 0.5000000
B 0.6000000 0.1000000 0.3000000
C 0.2222222 0.5555556 0.2222222

但是您可以使用

split

将状态向量分解为基于

pp

列的向量列表，然后将其传递给

markovchainFit

：

> markovchainFit(split(DF$state,DF$pp))$estimate
MLE Fit 
 A  3 - dimensional discrete Markov Chain defined by the following states: 
 A, B, C 
 The transition matrix  (by rows)  is defined as follows: 
          A         B         C
A 0.4000000 0.2000000 0.4000000
B 0.7500000 0.0000000 0.2500000
C 0.1428571 0.5714286 0.2857143

---

我认为，如果你用“NA”分隔各个状态，那么

markovchainFit

会将向量解释为一系列的短转换。有关详细信息，请参阅帮助。您还可以向其传递一个列表。这将给你一个全局过渡问题——一个零模型，你可以检验任何人都是不同的假设（不知何故…）@Spacedman谢谢！我只对全局转移概率感兴趣，我只是不想包括从未发生过的转移（例如，在我的示例中，参与者1和参与者2之间从B到A的转移）。因此，通过将我的数据框转换为一个列表，将每个参与者作为列表中的一个单独项目来工作？一些简单的测试似乎同意是的，除了一个列表参数，我没有得到一个对数可能性（什么？），但如果我使用NA，我会这样做。e、 g.

markovchainFit（c（1,2,1，NA，1,1,1,2））

和

markovchainFit（list（c（1,2,1），c（1,1,1,2））

-相同的输出，但在第二种情况下没有loglik…出于某种原因，这里的代码不添加log likellihood，除非数据是一个简单的向量。不管怎样，我们现在已经破解了吗？

> markovchainFit(split(DF$state,DF$pp))$estimate
MLE Fit 
 A  3 - dimensional discrete Markov Chain defined by the following states: 
 A, B, C 
 The transition matrix  (by rows)  is defined as follows: 
          A         B         C
A 0.4000000 0.2000000 0.4000000
B 0.7500000 0.0000000 0.2500000
C 0.1428571 0.5714286 0.2857143