A Maximum Likelihood Procedure for Regression with Autocorrelated Errors
自相关误差回归的极大似然估计程序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：摘要明确研究线性回归中的一阶自相关误差、平稳性条件及相应估计程序，直接对应时间序列方法。
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
自相关误差回归的极大似然估计程序
- 研究问题
- 一阶自相关误差的线性回归中，如何在估计时保留首个观测并纳入平稳性条件，以及这样处理对计算和估计表现有何影响？
- 方法与思路
- 作者提出同时纳入首个观测和误差过程平稳性条件的极大似然程序，与 Cochrane–Orcutt、Hildreth–Lu 方法比较，并开展抽样实验。
- 材料陈述的贡献
- 摘要称该程序具有理论优势，计算效率似乎至少相当于 Cochrane–Orcutt；抽样实验提示在某些情形下估计可能明显改善。
- 阅读关注点
- 应核对首个观测如何进入似然、平稳性条件如何实施、理论比较采用何种准则，以及抽样实验中改善出现的参数与样本设定。
- 阅读边界
- 摘要未列出理论优势的具体条件、计算成本或实验数值；“某些情形下更好”的陈述不能据此推广到所有自相关回归或实际数据。
原文摘要
The widely used Cochrane-Orcutt and Hildreth-Lu procedures for estimating the parameters of a linear regression model with first-order autocorrelation typically ignore the first observation. An alternative maximum likelihood procedure which incorporates the first observation and the stationarity condition of the error process is proposed in this paper. It is similar to the Cochrane-Orcutt procedure, and appears to be at least as computationally efficient. This estimator is superior to the conventional ones on theoretical grounds, and sampling experiments suggest that it may yield substantially better estimates in some circumstances.