Theory and inference for multivariate autoregressive binary models with an application to absence-presence data in ecology
多元自回归二元模型的理论与推断：生态出现数据应用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：摘要明确涉及二元时间序列、动态多元 Probit 和面板推断，按方法对应三个方向；生态应用本身不构成经济领域证据。
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
多元自回归二元模型的理论与推断：生态出现数据应用
- 研究问题
- 研究具有平稳外生协变量的多元二元时间序列如何建模，以及如何在单条序列和多地点面板数据中建立平稳性与统计推断。
- 方法与思路
- 作者提出一般自回归二元模型，并对动态多元 Probit 特例结合伪似然和成对似然估计，利用多重指标部分和的遍历定理推导渐近结果。
- 材料陈述的贡献
- 摘要称，在高层假设及噪声支持非紧致条件下，平稳路径存在无需参数限制；同时为单路径和面板推断提供概率理论基础。
- 阅读关注点
- 应核对高层假设、噪声支持与协变量条件，以及平稳路径存在和其他性质的区别，并检查成对似然及面板渐近维度的设定。
- 阅读边界
- 所给来源为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列出完整假设，不能把无需参数限制理解为无条件成立。
原文摘要
We introduce a general class of autoregressive models for studying the dynamic of multivariate binary time series with stationary exogenous covariates. Using a high-level set of assumptions, we show that existence of a stationary path for such models is almost automatic and does not require parameter restrictions when the noise term is not compactly supported. We then study in details statistical inference in a dynamic version of a multivariate probit type model, as a particular case of our general construction. To avoid a complex likelihood optimization, we combine pseudo-likelihood and pairwise likelihood methods for which asymptotic results are obtained for a single path analysis and also for panel data, using ergodic theorems for multi-indexed partial sums. The latter scenario is particularly important for analyzing absence-presence of species in Ecology, a field where data are often collected from surveys at various locations. Our results also give a theoretical background for such models which are often used by the practitioners but without a probabilistic framework.