Filtering and Smoothing via Estimating Functions
基于估计函数的滤波与平滑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：摘要直接讨论状态空间模型的滤波与平滑，属于时间序列方法。
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
基于估计函数的滤波与平滑
- 研究问题
- 在包含非线性与非高斯情形的状态空间模型中，如何不指定过程的完整分布，通过估计函数构造滤波器和平滑器？
- 方法与思路
- 作者以估计函数理论构造估计方程，在适当函数类中寻求最优解，并用状态相关观测方差模型及含协变量的二项逻辑模型模拟。
- 材料陈述的贡献
- 摘要称所得滤波器和平滑器在相应类别中具有最优性，并称非高斯模拟中常明显优于已有半参数程序，但未给出具体结果。
- 阅读关注点
- 应核对所需矩条件、最优性的比较范围及计算方式，并检查模拟中的分布设定、评价指标和半参数比较方法。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；不指定分布不等于没有其他条件，模拟优势的适用范围未说明。
原文摘要
We consider the problem of filtering and smoothing in state-space models, which include nonlinear and non-Gaussian models. We do not make any distributional assumptions about the processes involved. Our approach to these problems is based on the theory of estimating functions. Filter and smoother are obtained as solutions of estimating equations that are optimal in appropriate classes. We illustrate our procedures by simulation studies of a model where the observational variance depends on the state and a binomial logit model with a covariate. In non-Gaussian cases, procedures based on estimating equations often perform considerably better than the existing semiparametric procedures.