Artificial neural networks and time series of counts: A class of nonlinear INGARCH models
人工神经网络与计数时间序列：一类非线性 INGARCH 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：摘要直接研究计数时间序列中的动态条件均值和非线性 INGARCH 模型，支持时间序列分类，但未指定宏观应用。
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…
关注这篇论文的作者
人工神经网络与计数时间序列：一类非线性 INGARCH 模型
- 研究问题
- 如何将人工神经网络引入计数时间序列的 INGARCH 模型，使当前条件均值能够更灵活地依赖过去观测与条件期望？
- 方法与思路
- 作者以神经网络构造 INGARCH 响应函数，建立非线性模型类，并介绍最大似然估计、边际效应与置信区间的计算。
- 材料陈述的贡献
- 摘要称许多已有 INGARCH 模型可视为相应神经模型的退化形式，且在有界与无界计数序列应用中获得较低信息损失。
- 阅读关注点
- 应核对响应函数的限制、动态过程与估计推断的成立条件，以及信息损失指标、比较模型和实证评价方式的具体定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明稳定性条件、网络结构或改进幅度，优势限于所述应用。
原文摘要
Time series of counts are frequently analyzed using generalized integer-valued autoregressive models with conditional heteroskedasticity (INGARCH). These models employ response functions to map a vector of past observations and past conditional expectations to the conditional expectation of the present observation. In this paper, it is shown how INGARCH models can be combined with artificial neural network (ANN) response functions to obtain a class of nonlinear INGARCH models. The ANN framework allows for the interpretation of many existing INGARCH models as a degenerate version of a corresponding neural model. Details on maximum likelihood estimation, marginal effects and confidence intervals are given. The empirical analysis of time series of bounded and unbounded counts reveals that the neural INGARCH models are able to outperform reasonable degenerate competitor models in terms of the information loss.