ARIMA Processes With ARIMA Parameters
参数服从 ARIMA 过程的 ARIMA 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。
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：摘要以 ARIMA 及参数的向量 ARIMAx 动态构建非线性、非平稳模型，并用扩展卡尔曼滤波估计，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
参数服从 ARIMA 过程的 ARIMA 模型
- 研究问题
- 当 ARIMA 模型的参数自身也随 ARIMAx 过程演化时，如何描述非线性、非平稳的时间序列，并利用样本信息完成模型识别与估计？
- 方法与思路
- 作者令可观测过程的参数遵循向量 ARIMAx 模型，外生项由该过程的回归变量构成；初步估计结合扩展卡尔曼滤波的递归参数估计与非线性回归迭代。
- 材料陈述的贡献
- 摘要称，文章提出一类以 ARIMA 为基本结构的非线性、非平稳时间序列模型，并概述仅依靠样本信息的模型识别与估计算法。
- 阅读关注点
- 阅读时应核对参数过程与观测过程的相互关系、外生项的定义、模型识别步骤，以及扩展卡尔曼滤波和非线性回归迭代的初始化与收敛条件。
- 阅读边界
- 摘要仅概述算法，未说明可识别性条件、估计量性质、收敛保证或实证表现；扩展卡尔曼滤波的近似误差及适用边界仍需阅读全文核对。
原文摘要
This article introduces a general class of nonlinear and nonstationary time-series models whose basic scheme is an autoregressive integrated moving average (ARIMA). The main feature i s that the parameters are assumed to behave like a vector ARIMAx model in which the exogenous (x) component is represented by the regressors o f the observable process. For this class, a general algorithm of identification-estimation is outlined based on the sampling information alone. The initial estimation, in particular, consists o f an iterative procedure of nonlinear regressions on recursive paramet er estimates generated with the extended Kalman filter.