Robust Estimates for ARMA Models
ARMA 模型的稳健估计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 ARMA 模型、残差自协方差与时间序列异常值，直接对应时间序列方法。
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
ARMA 模型的稳健估计
- 研究问题
- ARMA 时间序列存在加性异常值时，基于残差自协方差及其截断版本的估计，能否相较常用方法表现出较好的稳健性？
- 方法与思路
- 作者提出 RA 与 TRA 两类估计，给出渐近正态分布的启发式推导，并在含加性异常值的高斯模型模拟中与最小二乘、M 和 GM 估计比较。
- 材料陈述的贡献
- 摘要称，提出了两类新的稳健 ARMA 估计，且模拟中的稳健性表现较有利；渐近正态性仅描述为启发式推导而非完整证明。
- 阅读关注点
- 应核对残差自协方差及截断规则、启发式推导的条件与论证缺口，以及异常值设计、比较指标和基准方法的调节方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未提供完整渐近证明或模拟数值，所述表现限于考察的高斯加性异常值情形。
原文摘要
Two new classes of robust estimates for ARMA models are introduced: estimates based on residual autocovariances (RA estimates), and estimates based on truncated residual autocovariances (TRA estimates). A heuristic derivation of the asymptotic normal distribution is given. We also perform a Monte Carlo study to compare the robustness properties of these estimates with the least squares, M, and GM estimates. In this study we consider observations that correspond to a Gaussian model with additive outliers. The Monte Carlo results show that RA and TRA estimates compare favorably with respect to least squares, M, and GM estimates.