Robust Sequential Approximate Bayesian Estimation
稳健的序贯近似贝叶斯估计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：摘要明确以线性时间序列模型和递归滤波为研究对象，直接支持时间序列分类，但没有宏观应用证据。
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
稳健的序贯近似贝叶斯估计
- 研究问题
- 在线性时间序列模型的观测不服从正态分布时，如何近似更新位置参数的分布，并使序贯估计在不同误差分布下保持良好表现？
- 方法与思路
- 作者为位置参数分布的序贯更新构造近似，得到非线性递归滤波算法，考察其在多种非正态误差分布下的行为并提供示例。
- 材料陈述的贡献
- 摘要称，所得滤波算法在多种非正态误差分布下具有若干理想性质，并讨论其与既有稳健性和序贯估计工作的关系。
- 阅读关注点
- 应核对位置参数的具体含义、后验更新采用何种近似、所考察的误差分布，以及摘要所称理想性质的定义和成立条件。
- 阅读边界
- 仅据所给 Crossref 摘要，具体稳健性指标、误差分布范围及近似误差均未说明，不能推断算法对任意异常观测或厚尾分布有效。
原文摘要
SUMMARY An approximation to the sequential updating of the distribution of location parameters of a linear time series model is developed for non-normal observations. The behaviour of the resulting non-linear recursive filtering algorithm is examined and shown to have certain desirable properties for a variety of non-normal error distributions. Illustrative examples are given and relationships with previous work on robustness and sequential estimation are mentioned.