Estimation, Prediction, and Interpolation for Nonstationary Series with the Kalman Filter
利用卡尔曼滤波估计、预测与插补非平稳序列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：摘要明确讨论非平稳 ARIMA、状态空间估计及预测，直接对应时间序列与预测方法。
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
利用卡尔曼滤波估计、预测与插补非平稳序列
- 研究问题
- 含缺失观测的非平稳 ARIMA 序列，如何直接建立原始数据的状态空间表示，以统一开展参数估计、预测和缺失值插补？
- 方法与思路
- 作者采用一种基于通常 ARIMA 估计与预测假设的似然定义，建立标准状态空间表示，使用普通卡尔曼滤波与固定点平滑。
- 材料陈述的贡献
- 摘要称该表示简化了非平稳序列缺失值估计，并将结果扩展至具有 ARIMA 误差的回归模型，还提及作者提供计算程序。
- 阅读关注点
- 应核对非平稳初始状态与似然的定义、缺失观测处理及平滑步骤，并检查与所比较似然定义的差异和计算效率依据。
- 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；具体假设和程序细节未提供，历史程序的当前可用性也无法判断。
原文摘要
We show how our definition of the likelihood of an autoregressive integrated moving average (ARIMA) model with missing observations, alternative to that of Kohn and Ansley and based on the usual assumptions made in estimation of and forecasting with ARIMA models, permits a direct and standard state-space representation of the nonstationary (original) data, so that the ordinary Kalman filter and fixed point smoother can be efficiently used for estimation, forecasting, and interpolation. In this way, the problem of estimating missing values in nonstationary series is considerably simplified. The results are extended to regression models with ARIMA errors, and a computer program is available from the authors.