Vector AutoRegressive Moving Average Models: A Review
向量自回归移动平均模型综述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：摘要明确涵盖多元时间序列、预测及 VARMA 的结构分析。
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…
向量自回归移动平均模型综述
- 研究问题
- VARMA 模型相较其 VAR 子类具有哪些建模与应用能力，其识别、估计和诊断难点如何影响研究者在实际工作中的选择？
- 方法与思路
- 作者综述 VARMA 的经典与现代识别方案、估计、模型设定和诊断，再讨论格兰杰因果分析、预测、结构分析及近期扩展。
- 材料陈述的贡献
- 摘要称，综述为研究者与实践者整理 VARMA 的能力、优势和实施问题，并提出其相较 VAR 可进一步发展的应用研究方向。
- 阅读关注点
- 应核对不同识别方案的约束、估计与诊断方法的适用范围，以及预测和结构分析中的比较证据能否支持采用 VARMA。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出具体文献覆盖和比较结果，不能据此认定 VARMA 普遍优于 VAR。
原文摘要
Vector AutoRegressive Moving Average (VARMA) models form a powerful and general model class for analyzing dynamics among multiple time series. While VARMA models encompass the Vector AutoRegressive (VAR) models, their popularity in empirical applications is dominated by the latter. Can this phenomenon be explained fully by the simplicity of VAR models? Perhaps many users of VAR models have not fully appreciated what VARMA models can provide. The goal of this review is to provide a comprehensive resource for researchers and practitioners seeking insights into the advantages and capabilities of VARMA models. We start by reviewing the identification challenges inherent to VARMA models thereby encompassing classical and modern identification schemes and we continue along the same lines regarding estimation, specification and diagnosis of VARMA models. We then highlight the practical utility of VARMA models in terms of Granger Causality analysis, forecasting and structural analysis as well as recent advances and extensions of VARMA models to further facilitate their adoption in practice. Finally, we discuss some interesting future research directions where VARMA models can fulfill their potentials in applications as compared to their subclass of VAR models.