Model-Based Clustering of Multiple Time Series
多条时间序列的模型聚类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：摘要明确围绕多条时间序列的有限混合分组、组内建模及预测效率展开，文本直接支持时间序列方法分类。
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…
多条时间序列的模型聚类
- 研究问题
- 多条时间序列具有不同动态特征时，如何将它们划分为组并共享组内模型，以兼顾组间异质性和估计、预测效率？
- 方法与思路
- 作者采用有限混合模型，同时估计序列分组与各组模型参数，使用贝叶斯 MCMC 计算，并依据边际似然选择模型。
- 材料陈述的贡献
- 摘要称，模拟显示相较把全部序列合并，分组能提高估计和预测效率；还分析了不可观测异质性及组内马尔可夫转换扩展。
- 阅读关注点
- 核对混合模型的识别条件、组数与模型的选择规则、MCMC 实现，以及效率比较是否采用相同信息和预测评价标准。
- 阅读边界
- 摘要未说明组内模型形式、模拟设计、效率增益幅度或实际应用样本，无法判断分组错误、模型误设及计算负担的影响。
原文摘要
We propose to pool multiple time series into several groups using finite-mixture models. Within each group, the same econometric model holds. We estimate the groups of time series simultaneously with the group-specific model parameters using Bayesian Markov chain Monte Carlo simulation methods. We discuss model identification and base model selection on marginal likelihoods. With a simulation study, we document the efficiency gains in estimation and forecasting realized relative to overall pooling of the time series. To illustrate the usefulness of the method, we analyze extensions to unobserved heterogeneity and to Markov switching within clusters.