A Unified Approach to Identifying Multivariate Time Series Models
识别多元时间序列模型的统一方法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：摘要明确研究多元时间序列模型识别，并涉及协整与不可逆动态系统。
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
识别多元时间序列模型的统一方法
- 研究问题
- 如何同时确定多元线性动态系统的 Kronecker 指数与模型参数，并容纳协整或不可逆时间序列？
- 方法与思路
- 作者结合随机搜索变量选择与 MCMC，利用 Kronecker 指数决定的行结构，并把初值和创新纳入模型参数。
- 材料陈述的贡献
- 摘要称，论文提出同时识别系统结构与参数的贝叶斯程序，讨论与现有方法的比较，并提供模拟和真实案例。
- 阅读关注点
- 应核对 Kronecker 指数如何对应模型结构、初值与创新如何进入推断，以及先验设定和 MCMC 搜索的收敛诊断。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未说明先验、识别约束和比较结果，不能确认程序在所有协整或不可逆系统中有效。
原文摘要
This article proposes a Bayesian procedure for simultaneous identification of the Kronecker indices and model parameters of a multivariate linear system. The model parameters include the starting values and innovations of the system so that the series considered may be co-integrated or non-invertible. The procedure uses some recent developments in stochastic search variable selection in linear regression analysis and Markov chain Monte Carlo methods in statistical computing. It also takes into consideration the row structure of a vector model implied by the Kronecker indices. Comparison with other existing methods is discussed. Simulated and real examples are used to illustrate the proposed procedure.