Model Specification in Multivariate Time Series
多元时间序列的模型设定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：摘要直接研究多元时间序列及向量 ARMA 模型设定，但未涉及结构冲击识别或局部投影。
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
多元时间序列的模型设定
- 研究问题
- 如何为多元时间序列选择合适且简约的向量 ARMA 模型，并揭示从原始观测中不易看出的简化结构？
- 方法与思路
- 作者通过向量过程的同期线性变换引入标量分量模型，利用向量过程的典型相关分析寻找结构，并以两个实例展示。
- 材料陈述的贡献
- 摘要称，标量分量模型可揭示隐藏结构、减少参数化复杂度并识别可交换模型，所提设定程序由真实例子说明。
- 阅读关注点
- 应核对标量分量的定义、典型相关分析如何确定模型结构，以及摘要中可交换模型的含义和简约性评价方式。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明模型选择的统计条件或误差表现，不能据实例推断预测或冲击识别优势。
原文摘要
SUMMARY We propose a method to specify an appropriate yet parsimonious vector autoregressive moving average (ARMA) model for a given multivariate time series. By considering contemporaneous linear transformations of the vector process, we introduce the concept of scalar component models within the vector ARMA framework (a) to reveal possibly hidden simplifying structures of the process, (b) to achieve parsimony in parameterization and (c) to identify the exchangeable models. The simplifying structures are of particular importance in the analysis of multivariate time series because they are often not obvious from the observed data but can be used to gain insights to the process under study. The analytical tool used to search for scalar component models is a canonical correlation analysis of vector processes and the proposed procedures are illustrated via two real examples.