Modeling Long-Range Dependence, Nonlinearity, and Periodic Phenomena in Sea Surface Temperatures Using TSMARS
用 TSMARS 建模海表温度的长程依赖、非线性与周期现象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：摘要明确涉及时间序列的非线性与长程依赖建模，以及短长期样本外预测。
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…
关注这篇论文的作者
用 TSMARS 建模海表温度的长程依赖、非线性与周期现象
- 研究问题
- 如何同时刻画加州沿岸日度海表温度中的多时间尺度、非线性、长程依赖与季节变化，并用于短期和长期预测？
- 方法与思路
- 作者使用时间序列版 MARS 构造自适应样条阈值自回归模型，并通过样本外预测、残差诊断与模拟序列评价模型。
- 材料陈述的贡献
- 摘要称，季节类别指标可刻画随季节变化的非线性结构，模型具有预测用途，但没有模型捕获数据中全部明显周期。
- 阅读关注点
- 应核对滞后与样条选择、周期和长程依赖的处理方式，以及样本外预测设计、比较对象与不同预测期限的表现。
- 阅读边界
- 索引摘要版本未注明，未提供预测误差数值或比较方法细节；不能据此判断普遍预测优势，也不能推断刊本变化。
原文摘要
We analyze a time series of 20 years of daily sea surface temperatures measured off the California coast. The temperatures exhibit quite complicated features, such as effects on many different time scales, nonlinear effects, and long-range dependence. We show how a time series version of the multivariate adaptive regression splines (MARS) algorithm, TSMARS, can be used to obtain univariate adaptive spline threshold autoregressive models that capture many of the physical characteristics of the temperatures and are useful for short- and long-term prediction. We also discuss practical modeling issues, such as handling cycles, long-range dependence, and concurrent predictor time series using TSMARS. Models for the temperatures are evaluated using out-of-sample forecast comparisons, residual diagnostics, model skeletons, and sample functions of simulated series. We show that a categorical seasonal indicator variable can be used to model nonlinear structure in the data that is changing with time of year, but find that none of the models captures all of the cycles apparent in the data.