Computation of Theoretical Autocovariance Matrices of Multivariate Autoregressive Moving Average Time Series
多元自回归移动平均时间序列理论自协方差矩阵的计算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：摘要明确处理多元 ARMA 时间序列的自协方差计算与似然估计，直接属于时间序列方法。
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
多元自回归移动平均时间序列理论自协方差矩阵的计算
- 研究问题
- 如何由多元 ARMA 模型参数有效计算理论自协方差序列，并减轻精确最大似然估计所涉及的计算负担？
- 方法与思路
- 作者推导自协方差与 ARMA 参数之间的矩阵关系和闭式表达式，据此设计多元自协方差序列的计算程序。
- 材料陈述的贡献
- 摘要称所提程序比文献中的其他方法更高效，能够降低 ARMA 精确最大似然估计的计算负担，并便利算法实现。
- 阅读关注点
- 应核对矩阵表达式的成立条件、计算复杂度与比较基准、数值稳定性，以及程序如何嵌入精确最大似然估计。
- 阅读边界
- 仅据所给 Crossref 摘要；计算效率优势属于作者陈述，摘要未给出复杂度、计时数据、适用阶数或数值误差分析。
原文摘要
SUMMARY Matrix expressions relating the theoretical autocovariances of autoregressive moving average (ARMA) processes to their parameters are derived and used to design an efficient procedure for computing autocovariance sequences of multivariate ARMA processes. The method proposed is more efficient than others suggested in the literature and, in particular, reduces the computational burden associated with exact maximum likelihood estimation of ARMA models. The closed form expressions facilitate the implementation of algorithms for computing multivariate autocovariances.