Robustness of Maximum Likelihood Estimates for Multi-Step Predictions: The Exponential Smoothing Case
多步预测中极大似然估计的稳健性：指数平滑情形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：摘要直接研究指数平滑、多步预测和非平稳模型，分别对应预测方法与时间序列方向。
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
多步预测中极大似然估计的稳健性：指数平滑情形
- 研究问题
- 指数平滑用于多步预测时，如何随预测步长调整平滑参数以增强稳健性，并为参数估计和预测诊断提供理论依据？
- 方法与思路
- 作者研究最小化样本多步预测误差平方和的估计量，分析其一致性及调整后平滑参数的渐近分布，并扩展至其他模型。
- 材料陈述的贡献
- 摘要称步长相关的参数调整可增强多步预测稳健性，建立相关一致性结果，并据渐近分布发展多步预测诊断工具。
- 阅读关注点
- 应核对稳健性的具体含义、预测步长的渐近处理、可扩展的非平稳模型范围，以及诊断工具的构造和有效性条件。
- 阅读边界
- 来源为稿件版本未注明的 OpenAlex 索引摘要；稳健性标准、完整条件和数值结果未说明，不能断言各步长均有改善。
原文摘要
We extend the argument initiated by Cox (1961) that the exponential smoothing formula can be made more robust for multi-step forecasts if the smoothing parameter is adjusted as a function of the forecast horizon l. The consistency property of the estimator which minimizes the sum of squares of the sample l-step ahead forecast errors makes the robustness result useful in practice. We also generalize the consistency result to some other parsimonious nonstationary models which have been popular in use. The asymptotic distribution of the estimated smoothing parameter adjusted for forecast horizon l leads to the development of diagnostic tools which are based on l-step forecasts.