A Randomized Missing Data Approach to Robust Filtering and Forecasting
稳健滤波与预测的随机缺失数据方法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：摘要研究状态空间模型的时间序列滤波与样本外预测，并以通胀趋势提取为应用，直接支持时间序列和预测分类。
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…
稳健滤波与预测的随机缺失数据方法
- 研究问题
- 能否仅使用随机选取的部分精确观测，保留状态空间模型的大部分效率收益，同时增强对异常值和模型误设的稳健性？
- 方法与思路
- 作者提出内生与外生两种随机缺失机制，保持原始时间顺序，将未选观测视为缺失，并以使用比例调节稳健性与效率。
- 材料陈述的贡献
- 摘要称该框架提供时间序列中的袋装集成扩展，并在提取通胀趋势的状态空间模型中展现有吸引力的滤波和预测表现。
- 阅读关注点
- 核对两类随机化机制的区别、测量保留比例的选择方式，以及稳健性与效率如何衡量、预测比较是否使用共同信息集。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明理论保证、最优保留比例或实证数值，不能认定随机删减总能改善预测。
原文摘要
We put forward a simple new randomized missing data (RMD) approach to robust filtering of state-space models, motivated by the idea that the inclusion of only a small fraction of available highly precise measurements can still extract most of the attainable efficiency gains for filtering latent states, estimating model parameters, and producing out-of-sample forecasts. In our general RMD framework we develop two alternative implementations: endogenous (RMD-N) and exogenous (RMD-X) randomization of missing data. A degree of robustness to outliers and model misspecification is achieved by purposely randomizing over the utilized subset of data measurements in their original time series order, while treating the rest as if missing. The arising robustness-efficiency trade-off is controlled by varying the fraction of randomly utilized measurements. Our RMD framework thus relates to but is different from a wide range of machine learning methods trading off bias against variance. It also provides a time-series extension of bootstrap aggregation (bagging). As an empirical illustration, we show consistently attractive performance of RMD filtering and forecasting in popular state space models for extracting inflation trends known to be hindered by measurement outliers.