Exact Initial Kalman Filtering and Smoothing for Nonstationary Time Series Models
非平稳时间序列模型的精确初始Kalman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：摘要直接研究非平稳时间序列、ARIMA成分与状态空间Kalman滤波。
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
非平稳时间序列模型的精确初始Kalman滤波与平滑
- 研究问题
- 当状态空间模型含随机趋势、季节项等非平稳成分，初始状态部分或全部采用弥散设定时，如何精确初始化滤波与平滑？
- 方法与思路
- 作者针对弥散初始条件给出Kalman滤波初始化的解析解，并提供相应平滑解；摘要还说明方法可以直接处理缺失观测。
- 材料陈述的贡献
- 摘要称所得初始化与平滑解是精确的、易于实现且计算有效，适用于含非平稳ARIMA成分的状态空间模型，证明依赖初等结果。
- 阅读关注点
- 应核对弥散初始状态的处理方式、递推公式及平滑衔接，确认部分弥散、缺失观测和不同非平稳成分下的适用条件。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出递推公式、数值稳定性条件或计算基准，不能量化效率优势。
原文摘要
This article presents a new exact solution for the initialization of the Kalman filter for state space models with diffuse initial conditions. For example, the regression model with stochastic trend, seasonal and other nonstationary autoregressive integrated moving average components requires a (partially) diffuse initial state vector. The proposed analytical solution is easy to implement and computationally efficient. The exact solution for smoothing is also given. Missing observations are handled in a straightforward manner. All proofs rely on elementary results.