Repeated Time Series Analysis of ARIMA-Noise Models
ARIMA 噪声模型的重复时间序列分析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：题名与摘要明确研究重复时间序列和 ARIMA 噪声过程，直接对应时间序列方法；摘要未明确其宏观经济应用对象。
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
ARIMA 噪声模型的重复时间序列分析
- 研究问题
- 研究如何对 ARIMA 噪声过程的重复时间序列测量建立分析框架，并在放宽正态假设后识别各组成序列的模型。
- 方法与思路
- 作者建立重复时间序列的 ARIMA 噪声模型理论与方法，讨论模型性质、估计及预测，并用实例说明其应用。
- 材料陈述的贡献
- 摘要称，该理论能够放宽 ARIMA 噪声模型的正态性假设，并识别过程各组成序列的模型，形成相应的估计与预测框架。
- 阅读关注点
- 重点核对重复测量的组织方式、各组成序列与噪声的分解、放宽正态性需要的条件，以及模型识别、估计和预测的步骤。
- 阅读边界
- 摘要未说明重复序列之间的依赖结构、具体分布条件、识别依据或实例数据，无法据此判断方法适用范围与有限样本表现。
原文摘要
This article develops a theory and methodology for repeated time series (RTS) measurements on autoregressive integrated moving average-noise (ARIMAN) process. The theory enables us to relax the normality assumption in the ARIMAN model and to identify models for each component series of the process. We discuss the properties, estimation, and forecasting of RTS ARIMAN models and illustrate with examples.