Beyond Equidistant Assumptions: An Autoregressive Ordered Stereotype Model for Ordinal Time Series
超越等距假设：序数时间序列的自回归有序定型模型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：摘要直接研究序数时间序列的自回归依赖，所选方向依据时间序列方法而非宏观应用。
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…
超越等距假设：序数时间序列的自回归有序定型模型
- 研究问题
- 对于类别间距离不宜假定相等的序数时间序列，如何同时描述类别相对间距和滞后响应所形成的序列依赖？
- 方法与思路
- 作者在有序定型模型的系统部分加入响应滞后项，让数据决定类别相对间距，并用婴儿睡眠状态数据和模拟研究说明。
- 材料陈述的贡献
- 摘要称提出的自回归扩展同时容纳序列依赖与非等距类别，并考察样本规模及参数变化如何影响模型表现和依赖结构。
- 阅读关注点
- 应核对类别间距参数的约束与识别、滞后项的设定、参数与序列依赖的对应关系，以及不同样本规模下的估计表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核验；摘要未提供估计理论、具体模拟结果或相对其他模型的性能优势。
原文摘要
We propose an extension of the ordered stereotype model (OSM) for ordinal time series data, referred to as the Autoregressive OSM (AR-OSM). The model captures serial dependence by incorporating lagged values of the response as covariates in the systematic component. In contrast to existing regression models for ordinal time series, the AR-OSM does not assume equidistant categories, but instead allows the data to determine their relative spacing. This property makes the model particularly suitable for applications where the equidistance assumption is unrealistic. Such a case is illustrated through the analysis of infant sleep state data. Additionally, a comprehensive simulation study is conducted to assess the performance of the model under varying sample sizes and to investigate how parameter values influence the induced serial dependence structure.