Gaussian Likelihood of Continuous-Time ARMAX Models When Data Are Stocks and Flows at Different Frequencies
异频存量与流量数据下连续时间 ARMAX 模型的高斯似然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：摘要明确研究连续时间向量 ARMAX、异频观测及状态空间似然，直接属于时间序列方法。
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
异频存量与流量数据下连续时间 ARMAX 模型的高斯似然
- 研究问题
- 当高阶连续时间向量 ARMAX 模型同时产生不同频率的存量与流量观测时，如何计算用于最大似然估计的高斯似然？
- 方法与思路
- 作者从连续时间模型推导离散观测对应的状态空间表示，区分时点存量与区间积分流量，再利用卡尔曼滤波的预测误差分解计算似然。
- 材料陈述的贡献
- 摘要称，论文给出了异频存量与流量观测下的高斯似然计算方法，将连续时间动态模型与可计算的离散状态空间形式连接起来。
- 阅读关注点
- 应核对连续时间参数到离散状态空间参数的映射、流量积分如何进入观测方程，以及异频观测的时间安排和滤波初始化方式。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断参数识别、计算稳定性和估计表现；具体正则条件未说明，也不能推断其他版本的变化。
原文摘要
For purposes of maximum likelihood estimation, we show how to compute the Gaussian likelihood function when the data are generated by a higher-order continuous-time vector ARMAX model and are observed as stocks and flows at different frequencies. Continuous-time ARMAX models are analogous to discrete-time autoregressive moving-average models with distributed-lag exogenous variables. Stocks are variables observed at points in time and flows are variables observed as integrals over sampling intervals. We derive the implied state-space model of the discrete-time data and show how to use it to compute the Gaussian likelihood function with Kalman-filtering, prediction-error, decomposition of the data.