Modelling multivariate ordinal time series using pairwise likelihood
利用成对似然建模多元有序时间序列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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接建模多元有序时间序列、讨论预测，并以欧盟国家失业状态应用支撑时间序列与宏观预测分类。
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
利用成对似然建模多元有序时间序列
- 研究问题
- 如何为多个有序类别时间序列构造联合分布，同时刻画各序列自相关、序列间依赖和交叉相关，并控制高维计算成本？
- 方法与思路
- 作者用 copula 构造二元模型，以条件成对复合似然近似全似然，分别优化各二元模型，再按与 Hessian 相关的权重汇总估计。
- 材料陈述的贡献
- 摘要提出从二元到高维有序序列的建模和估计方案，称不同样本量下模拟拟合良好，并讨论预测及欧盟各国失业状态应用。
- 阅读关注点
- 应核对二元 copula 的整体兼容性、滞后依赖结构、汇总权重与标准误构造，以及模拟拟合评价和预测方法的具体定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明估计量渐近性质或预测结果，拟合良好不等于预测优于其他模型。
原文摘要
We assume that we have multiple ordinal time series and we would like to specify their joint distribution. In general it is difficult to create multivariate distribution that can be easily used to jointly model ordinal variables and the problem becomes even more complex in the case of time series, since we have to take into consideration not only the autocorrelation of each time series and the dependence between time series, but also cross-correlation. Starting from the simplest case of two ordinal time series, we propose using copulas to specify their joint distribution. We extend our approach in higher dimensions, by approximating full likelihood with composite likelihood and especially conditional pairwise likelihood, where each bivariate model is specified by copulas. We suggest maximizing each bivariate model independently to avoid computational issues and synthesize individual estimates using weighted mean. Weights are related to the Hessian matrix of each bivariate model. Simulation studies showed that model fits well under different sample sizes. Forecasting approach is also discussed. A small real data application about unemployment state of different countries of European Union is presented to illustrate our approach.