Bayesian analysis of some outlier problems in time series
时间序列中若干异常值问题的贝叶斯分析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：摘要直接讨论时间序列异常值和自回归参数推断，对应时间序列方法；未提供收益预测或金融风险方面的依据。
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
时间序列中若干异常值问题的贝叶斯分析
- 研究问题
- 当时间序列可能含少量异常值时，如何区分异常创新与异常观测两种机制，并对自回归模型的参数进行贝叶斯推断？
- 方法与思路
- 作者分别考虑异常创新模型和异常观测模型，允许任一观测以较小概率成为异常，并在此设定中分析自回归参数推断。
- 材料陈述的贡献
- 摘要称论文在两类异常值机制下考虑自回归模型的参数推断，将少量异常观测的可能性纳入分析，而未报告具体性能比较。
- 阅读关注点
- 应核对两类异常机制如何影响序列、异常概率和先验如何设定，以及后验计算与参数推断是否区分异常来源。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；异常分布、先验、计算程序和推断结果未说明，不能据此判断检测准确率或预测收益。
原文摘要
Two models, the aberrant innovation model and the aberrant observation model, are considered to characterize outliers in time series. The approach adopted here allows for a small probability α that any given observation is ‘bad’ and in this set-up the inference about the parameters of an autoregressive model is considered.