A Novel Multiple Imputation Approach For Parameter Estimation in Observation-Driven Time Series Models With Missing Data
缺失数据下观测驱动时间序列模型参数估计的新型多重插补方法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：摘要直接研究观测驱动时间序列模型、序列依赖及 GARMA 参数估计，因此归入时间序列方向。
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…
缺失数据下观测驱动时间序列模型参数估计的新型多重插补方法
- 研究问题
- 时间依赖使缺失值处理影响方差与序列相关结构；本文研究如何在观测驱动模型中插补缺失数据，并减轻其对参数估计的影响。
- 方法与思路
- 作者利用观测驱动模型系统成分的迭代结构，让依赖关系穿过缺失位置，构造适用于连续、离散及混合数据的多重插补方法。
- 材料陈述的贡献
- 摘要称该方法保留关键分布与依赖性质，并在缺失比例最高达七成的 GARMA 模拟及巴西南部储能比例应用中评估表现。
- 阅读关注点
- 应核对缺失机制、插补分布的构造、迭代初始化与参数估计步骤，尤其关注插补不确定性如何进入推断及高缺失比例下的表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明缺失机制假设、理论保证和具体误差结果，不能判断普遍适用性。
原文摘要
Handling missing data in time series is a complex problem due to the presence of temporal dependence. General-purpose imputation methods, while widely used, often distort key statistical properties of the data, such as variance and dependence structure, leading to biased estimation and misleading inference. These issues become more pronounced in models that explicitly rely on capturing serial dependence, as standard imputation techniques fail to preserve the underlying dynamics. This paper proposes a novel multiple imputation method specifically designed for parameter estimation in observation-driven models (ODM). The approach takes advantage of the iterative nature of the systematic component in ODM to propagate the dependence structure through missing data, minimizing its impact on estimation. Unlike traditional imputation techniques, the proposed method accommodates continuous, discrete, and mixed-type data while preserving key distributional and dependence properties. We evaluate its performance through Monte Carlo simulations in the context of GARMA models, considering time series with up to 70\% missing data. An application to the proportion of stocked energy stored in South Brazil further demonstrates its practical utility.