Analyzing Permanent and Transient Influences in Multiple Time Series Models
多元时间序列模型中永久与暂时影响的分析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：摘要以 M1、M2 货币总量为对象，建立多元时间序列模型并讨论预测，直接对应时间序列与宏观预测。
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…
多元时间序列模型中永久与暂时影响的分析
- 研究问题
- 如何在多元时间序列模型中区分货币供应量的永久与暂时影响，并据此分析和预测 M1、M2 两类货币总量的动态变化？
- 方法与思路
- 作者建立永久与暂时成分分解模型，估计方差协方差分配参数，并采用条件极大似然及改编的 Marquardt 数值算法。
- 材料陈述的贡献
- 摘要称，永久与暂时成分分解似乎有助于提高货币总量的预测精度，并给出模型参数的条件极大似然估计与数值算法。
- 阅读关注点
- 应核对永久与暂时成分的具体定义、方差协方差分配参数的约束与可识别性，以及预测比较的基准、预测期和评价指标。
- 阅读边界
- 摘要未说明样本区间、成分分解的识别条件及预测改善幅度；“似乎提高精度”是作者的摘要表述，不能据此判断普遍优势。
原文摘要
Several multiple time series models are developed and applied to the analysis and forecasting of the M1 and M2 money supply aggregates. These models feature a decomposition of the time series into permanent and transient influences or components. This decomposition appears to enhance forecasting accuracy and is associated with a variance-covariance allocation parameter that is also estimated from the data. Conditional maximum likelihood estimates for model parameters are presented as well as a numerical algorithm that is an adaptation of Marquardt's algorithm.