A Multi-Companion Method to Periodically Integrated Autoregressive Models
周期单整自回归模型的多伴随矩阵方法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：摘要直接研究周期单整自回归时间序列的估计与预测。
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
周期单整自回归模型的多伴随矩阵方法
- 研究问题
- 对于同时具有周期结构与一个或多个单位根的自回归序列，如何利用矩阵特征信息进行参数估计与预测？
- 方法与思路
- 作者采用周期单整自回归模型的多伴随矩阵表示，将模型参数表达为矩阵特征信息的函数，并据此开展估计和预测。
- 材料陈述的贡献
- 摘要称该方法覆盖单个、两个及多个单位根情形，给出参数的特征信息表示，并以蒙特卡洛实验和应用展示表现。
- 阅读关注点
- 应核对特征信息到参数的映射与识别、单位根数量的处理方式，以及估计约束、预测构造和模拟比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未说明渐近理论、模型阶数选择及误设表现，稳健性范围尚不能判断。
原文摘要
There has been an enormous interest in analysing and modelling periodic time series. The research on periodically integrated autoregressive (PIAR) models which capture the periodic structure and the presence of unit roots is widely applied in environmental, financial and energy areas. In this paper, we propose a multi-companion method which uses the eigen information of the multi-companion matrix in the multi-companion representation of PIAR models. The method enables the estimation and forecasting of PIAR models with a single, two and multiple unit roots. We show that the parameters of PIAR models can be represented in terms of the eigen information of the multi-companion matrix. Consequently, the estimation can be conducted using the eigen information, rather than directly estimating the parameters of PIAR models. A Monte Carlo experiment and an application are provided to illustrate the robustness and effectiveness of the multi-companion method.