Time series models with infinite-order partial copula dependence
具有无限阶偏 Copula 依赖的时间序列模型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。
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：摘要明确研究平稳遍历时间序列、ARMA 与 ARFIMA 的推广，并提供宏观经济数据示例。
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
具有无限阶偏 Copula 依赖的时间序列模型
- 研究问题
- 如何将高斯 ARMA 与 ARFIMA 推广为兼具非高斯边际和非高斯序列偏依赖的模型，并保留可操作的参数化方式？
- 方法与思路
- 作者将基于二元 Copula 的 s-vine 分解扩展到无限序列，研究因果与可逆表示，并以 Kendall 偏自相关函数进行参数化。
- 材料陈述的贡献
- 摘要称，该构造产生丰富的平稳遍历时间序列模型，并通过宏观经济数据示例展示改善统计拟合的潜力。
- 阅读关注点
- 应核对无限 Copula 序列的存在与平稳遍历条件、因果和可逆表示的定义，以及参数化、截断与估计的实现方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明关键条件或拟合改善幅度，时间序列因果表示也不等于因果识别。
原文摘要
Stationary and ergodic time series can be constructed using an s-vine decomposition based on sets of bivariate copula functions. The extension of such processes to infinite copula sequences is considered and shown to yield a rich class of models that generalizes Gaussian ARMA and ARFIMA processes to allow both non-Gaussian marginal behaviour and a non-Gaussian description of the serial partial dependence structure. Extensions of classical causal and invertible representations of linear processes to general s-vine processes are proposed and investigated. A practical and parsimonious method for parameterizing s-vine processes using the Kendall partial autocorrelation function is developed. The potential of the resulting models to give improved statistical fits in many applications is indicated with an example using macroeconomic data.