On the Relationship between the S Array and the Box-Jenkins Method of ARMA Model Identification
S 阵列与 Box–Jenkins ARMA 模型识别方法的关系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：摘要直接讨论 ARMA 阶数识别、偏自相关与时间序列实例，属于时间序列方向。
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
S 阵列与 Box–Jenkins ARMA 模型识别方法的关系
- 研究问题
- 如何借助偏自相关函数的推广，解释 S 阵列与 Box–Jenkins ARMA 模型识别方法之间的联系，并改善模型识别的实际操作？
- 方法与思路
- 作者定义广义偏自相关函数，分析两类识别方法的关系，并提出移位 S 阵列；通过多个例子及一组金属序列数据展示方法。
- 材料陈述的贡献
- 摘要称广义偏自相关可与 S 阵列配合识别模型；作者认为移位阵列更易使用，同时明确广义偏自相关通常不是真正的相关系数。
- 阅读关注点
- 应核对广义偏自相关及移位阵列的定义、用于判断 ARMA 阶数的规则，以及实例是否反映有限样本识别误差与操作便利性。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明。摘要未给出识别误差比较；除指定特殊情形外，不能将广义偏自相关直接作相关系数解释。
原文摘要
This paper investigates an extension of the partial autocorrelation function, which we call the generalized partial autocorrelation function. These generalized partial autocorrelations, which are not true correlations except when p = 0, are useful in examining the relationship between the S array method of Gray, Kelley, and McIntire (1978) and the Box-Jenkins approach to ARMA model identification. Also, the generalized partial autocorrelation is shown to be a useful model identification tool to be used along with the S array. Also discussed is a reformating of the S array into a shifted S array that the authors believe is easier to use in practice than the S array. The methods of this paper are illustrated by means of examples, including an analysis of the Makridakis (1978) metals series data.