Observation-driven models for Poisson counts
Poisson计数的观测驱动模型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：摘要明确研究具有时间依赖的计数序列、平稳遍历性质及极大似然估计，直接对应时间序列方法方向。
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
Poisson计数的观测驱动模型
- 研究问题
- 对于给定历史观测和解释变量后服从Poisson分布的计数时间序列，如何灵活建模依赖并建立估计理论？
- 方法与思路
- 作者研究一类观测驱动计数模型，建立平稳遍历条件以推导极大似然估计的大样本性质，并进行模拟及医院计数应用。
- 材料陈述的贡献
- 摘要称该框架可描述多种依赖结构，并提供平稳性与遍历性条件；模拟和悉尼医院哮喘就诊计数应用用于展示估计表现。
- 阅读关注点
- 应核对条件强度的递推形式、解释变量的条件要求、平稳遍历条件，以及极大似然大样本结论与有限样本模拟设计。
- 阅读边界
- 材料为OpenAlex索引摘要，稿件版本未注明；摘要未列明参数约束和估计结论的完整条件，不能据此保证任意计数序列均适用或推断刊本差异。
原文摘要
This paper is concerned with a general class of observation‐driven models for time series of counts whose conditional distributions given past observations and explanatory variables follow a Poisson distribution. These models provide a flexible framework for modelling a wide range of dependence structures. Conditions for stationarity and ergodicity of these processes are established from which the large‐sample properties of the maximum likelihood estimators can be derived. Simulations are provided to give additional insight into the finite‐sample behaviour of the estimators. Finally an application to a regression model for daily counts of asthma presentations at a Sydney hospital is described.