Evaluating Approximations of Count Distributions and Forecasts for Poisson-Lindley Integer Autoregressive Processes
泊松—林德利整数自回归过程的计数分布近似与预测评估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：摘要直接研究计数时间序列的整数自回归建模和预测比较。
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
泊松—林德利整数自回归过程的计数分布近似与预测评估
- 研究问题
- 对离散计数时间序列采用连续高斯模型，可能产生何种预测不相容问题，其预测与整数自回归模型相比如何？
- 方法与思路
- 作者匹配泊松—林德利整数自回归与高斯AR的边际相关矩，通过模拟比较预测，并在离散序列上应用三种参数估计方法。
- 材料陈述的贡献
- 摘要提供离散模型与多种高斯预测的比较设计，并展示条件最小二乘、Yule-Walker和最大似然估计下的实际应用。
- 阅读关注点
- 应核对所匹配的边际矩、高斯预测的调整方式和评价指标，以及三种估计法的条件、比较结果和计数预测的支持集。
- 阅读边界
- 这是arXiv预印本，同行评审及接收状态未核实；摘要未报告预测误差或哪种方法更好，也未说明应用序列及模型适配程度。
原文摘要
Although many time series are realizations from discrete processes, it is often that a continuous Gaussian model is implemented for modeling and forecasting the data, resulting in incoherent forecasts. Forecasts using a Poisson-Lindley integer autoregressive (PLINAR) model are compared to variations of Gaussian forecasts via simulation by equating relevant moments of the marginals of the PLINAR to the Gaussian AR. To illustrate utility, the methods discussed are applied and compared using a discrete series with model parameters being estimated using each of conditional least squares, Yule-Walker, and maximum likelihood.