Use of canonical analysis in time series model identification
典型分析在时间序列模型识别中的应用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：摘要明确涉及 ARMA 模型定阶、平稳性及自回归参数的一致估计。
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
典型分析在时间序列模型识别中的应用
- 研究问题
- 如何利用时间序列的二阶矩结构进行 ARMA 模型的初步定阶，并同时处理平稳与非平稳过程及自回归参数估计？
- 方法与思路
- 作者从二阶矩结构导出典型分析，研究典型相关及对应特征向量的一致性，据此提出 ARMA 初步定阶方法并讨论识别统计量的分布。
- 材料陈述的贡献
- 摘要称该方法可直接处理平稳和非平稳过程，并提供相关自回归参数的一致估计；同时给出部分典型相关与特征向量的一致性结果。
- 阅读关注点
- 应核对典型分析所用矩阵、定阶规则、可处理的非平稳类型，以及一致性条件和识别统计量渐近分布的具体结论。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；非平稳过程范围、定阶准确性和渐近理论条件均未说明。
原文摘要
The second-order moment structure of time series models is used to derive a canonical analysis in time series modelling. Consistency properties of certain canonical correlations and the corresponding eigenvectors are shown. Based on these properties, a canonical correlation approach for tentative order determination in building autoregressive-moving average models is proposed. This approach can handle directly nonstationary as well as stationary processes and it also provides consistent estimates of the auto-regressive parameters involved. The asymptotic distribution of the identification statistic is discussed.