Prediction, filtering and smoothing in non‐linear and non‐normal cases using Monte Carlo integration
利用蒙特卡洛积分进行非线性、非正态情形下的预测、滤波与平滑AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究结构时间序列模型中的预测、滤波和平滑，方法对象直接对应时间序列方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用蒙特卡洛积分进行非线性、非正态情形下的预测、滤波与平滑
- 研究问题
- 在非线性或非正态结构时间序列模型中，如何进行预测、滤波和平滑，并改善有限模拟次数下的估计表现？
- 方法与思路
- 作者通过蒙特卡洛积分推导权重函数的递归算法，构造模拟密度估计器，并以模拟实验和人均最终消费数据展示应用。
- 材料陈述的贡献
- 摘要称，在较少随机抽样点下，该方法优于所比较的数值积分程序；两种积分方法的参数估计偏差均小于扩展卡尔曼滤波。
- 阅读关注点
- 核对递归权重的构造、抽样机制和计算成本，尤其检查“小样本抽样点下表现更好”的评价指标、模型设定与比较范围。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体正则条件、抽样次数和误差大小；上述比较不能推广至所有模型，也不能推断刊本变化。
原文摘要
Abstract A simulation‐based non‐linear filter is developed for prediction and smoothing in non‐linear and/or non‐normal structural time‐series models. Recursive algorithms of weighting functions are derived by applying Monte Carlo integration. Through Monte Carlo experiments, it is shown that (1) for a small number of random draws (or nodes) our simulation‐based density estimator using Monte Carlo integration (SDE) performs better than Kitagawa's numerical integration procedure (KNI), and (2) SDE and KNI give less biased parameter estimates than the extended Kalman filter (EKF). Finally, an estimation of per capita final consumption data is taken as an application to the non‐linear filtering problem.