Minimum Message Length Autoregressive Moving Average Model Order Selection
最小消息长度准则下的 ARMA 模型阶数选择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：摘要明确研究 ARMA 时间序列阶数选择，并用样本外预测误差评价结果。
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…
最小消息长度准则下的 ARMA 模型阶数选择
- 研究问题
- 如何将最小消息长度原则用于 ARMA 时间序列模型的阶数选择，其所选模型的预测误差与常见信息准则相比表现如何？
- 方法与思路
- 作者推导 ARMA 模型的最小消息长度准则，并通过实验将 MML87 与 AIC、AICc、BIC 和 HQ 比较，考察不同样本规模下的误差。
- 材料陈述的贡献
- 摘要报告 MML87 所选模型具有较低预测误差和均方误差，涉及不同样本内外规模；但未提供具体数值及各比较情形的结果。
- 阅读关注点
- 应核对消息长度表达式、参数编码和阶数搜索范围，以及数据生成过程、样本内外划分和误差指标，确认原文比较结果的方向。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或接收未核实；摘要比较优劣的英文表述不够清晰，不能据此认定 MML87 普遍占优。
原文摘要
This paper derives a Minimum Message Length (MML) criterion for the model selection of the Autoregressive Moving Average (ARMA) time series model. The MML87 performances on the ARMA model compared with other well known model selection criteria, Akaike Information Criterion (AIC), Corrected AIC (AICc), Bayesian Information Criterion (BIC), and Hannan Quinn (HQ). The experimental results show that the MML87 is outperformed the other model selection criteria as it select most of the models with lower prediction errors and the models selected by MML87 to have a lower mean squared error in different in-sample and out-sample sizes.