A Quantile-Based Kumaraswamy-Teissier autoregressive moving average models
基于分位数的 Kumaraswamy–Teissier 自回归移动平均模型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：摘要直接构造带时变协变量的 ARMA 型时间序列模型，并开展样本外预测评估，支持时间序列与预测方向分类。
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
基于分位数的 Kumaraswamy–Teissier 自回归移动平均模型
- 研究问题
- 如何为正值时间序列建立以条件分位数为参数的动态模型，并结合历史信息与时变协变量开展推断和样本外预测？
- 方法与思路
- 作者在观测驱动框架内构造 KTARMA，以链接函数将 ARMA 结构映射到条件分位数，采用条件极大似然并推导得分与信息矩阵。
- 材料陈述的贡献
- 摘要称提供估计、诊断与预测程序；在喜马拉雅西北部降雨应用的四个分区中，样本外均方误差均低于所列比较模型。
- 阅读关注点
- 应核对分布参数化、链接函数与动态约束，尤其关注降雨分区、协变量选择、预测样本划分和比较模型是否使用同等信息。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出误差数值、比较的不确定性或其他数据场景下的预测表现。
原文摘要
This paper introduces a quantile-based Kumaraswamy-Teissier autoregressive moving average (KTARMA) model for positive-valued time series. Leveraging the flexibility of the extended Kumaraswamy-Teissier distribution within an observation-driven framework, the random component of the distribution is conditioned on the historical process and time-varying covariates, and is parameterized explicitly via its $ρ$-th conditional quantile, where $ρ\in (0,1)$. To capture temporal dependence, the systematic component maps an ARMA-type structure to this conditional quantile via an appropriate link function. For inference, we implement a conditional maximum likelihood framework and derive explicit analytical expressions for the resulting score vector and conditional information matrix, followed by the development of model diagnostic and forecasting procedures. The finite-sample performance of the developed estimators is evaluated through a Monte Carlo simulation study across various parameter configurations and quantile levels. Finally, the practical utility of the study is demonstrated by modeling monthly rainfall data over the Northwest Himalayas (2001-2025), where 525 grids are grouped into four homogeneous zones using a Self-Organizing Map and relevant atmospheric variables and large-scale climate indices are incorporated as predictive regressors. Out-of-sample forecasting evaluations reveal that the KTARMA model delivers highly competitive predictive performance, achieving consistently lower mean squared errors across all identified zones compared to KARMA and $β$ARMA models.