Time-Varying Multi-Seasonal ARMA Models
时变多重季节性 ARMA 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：摘要研究时变多季节 ARMA，并明确允许参数突变及分析疫情期间的季节结构变化。
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…
时变多重季节性 ARMA 模型
- 研究问题
- 如何同时刻画多个季节周期、常规与季节参数的渐变或突变，以及异质噪声，并在每个时点维持模型稳定性和可逆性？
- 方法与思路
- 作者用动态收缩过程控制时变 ARMA 参数与随机波动，基于精确似然构建 Gibbs 抽样，并借助扩展卡尔曼滤波联合更新参数。
- 材料陈述的贡献
- 摘要称模型兼容参数长期近似不变、渐变和突变，并通过模拟与真实数据评估；美国月度航空客流应用显示疫情期间季节性变化。
- 阅读关注点
- 核对逐时稳定性与整体过程性质的关系、动态收缩先验及精确似然实现，检查滤波抽样的近似处理和季节变化的证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明抽样近似误差或预测比较，季节性变化也不能直接解释为疫情的因果效应。
原文摘要
We propose an ARMA model that allows for multiple seasonal periods and time varying parameters in both regular and seasonal components, building upon previous work for pure AR processes and the conditional likelihood. The model is parameterized to ensure stability and invertibility at each time point. The parameter evolution is governed by dynamic shrinkage processes, enabling extended periods of essentially constant parameters, gradual changes, and abrupt shifts. The model includes a stochastic volatility component to account for potentially heterogeneous noise, also modeled by a dynamic shrinkage process. A Gibbs sampler is developed using the exact likelihood, with separate updating steps for the latent errors and the unobserved pre-sample history of the process. The time-varying AR and MA parameters are sampled jointly using a fast posterior sampler based on the extended Kalman filter. The model and the efficiency of the Gibbs sampler are evaluated using simulated and real data. A case study on monthly air passenger data in the US during 1990-2024 reveals significant changes in seasonality during the Covid-19 pandemic.