Assessing the predictive influence of cases in a state space process
评估状态空间过程中的观测预测影响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：摘要明确涉及状态空间模型、固定区间平滑、滤波与时间序列分析。
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
评估状态空间过程中的观测预测影响
- 研究问题
- 在利用固定区间平滑恢复未观测状态时，如何识别对平滑结果具有较大影响的单个观测或一组观测？
- 方法与思路
- 作者以完整数据与删除观测后两种平滑条件密度之间的 Kullback–Leibler 有向散度构造删除诊断。
- 材料陈述的贡献
- 摘要称诊断量可利用标准滤波和平滑算法的输出方便计算，并通过实际应用考察其识别高影响观测的表现。
- 阅读关注点
- 应核对散度比较的条件密度、删除多个观测时的计算方式，以及应用中如何判断诊断量足够大或具有实际意义。
- 阅读边界
- 索引摘要未注明稿件版本；未说明模型限制、诊断阈值及应用结果，不能将平滑影响直接理解为预测误差改善。
原文摘要
An important inferential objective in state space modelling is to recover unobserved states using fixed-interval smoothing. Thus, the identification of cases which have a substantial influence on the smoothers is a relevant practical problem. To facilitate this identification, we propose a case-deletion diagnostic which can be easily computed using the outputs of the standard filtering and smoothing algorithms. Our diagnostic is defined as the Kullback-Leibler directed divergence between two versions of the conditional density which determines the smoothers, one based on all the data, the other based on all the data except for the case or cases in question. We investigate the detection performance of the diagnostic in a practical application. Keywords:Case-deletion diagnostic; EM algorithm; Fixed-interval smoothing; Kalman filtering; Kullback-Leibler divergence; Prediction; Predictive influence function; State space modelling; Time series analysis.