The likelihood function for a stationary Gaussian autoregressive-moving average process with missing observations
存在缺失观测的平稳高斯 ARMA 过程似然函数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：题名明确限定平稳高斯 ARMA 过程，摘要讨论序列缺失时的似然与估计，直接属于时间序列方法而非收益预测。
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
存在缺失观测的平稳高斯 ARMA 过程似然函数
- 研究问题
- 对于等间隔观测的平稳高斯 ARMA 序列，当部分时点的数据缺失时，应如何写出似然函数并估计缺失观测？
- 方法与思路
- 作者从完整等间隔 ARMA 序列的似然表达出发，给出部分观测缺失时的似然形式，并说明如何利用已观测数据估计缺失值。
- 材料陈述的贡献
- 摘要称提供缺失观测条件下的 ARMA 似然表达及缺失值估计方法，使该类序列的分析能够利用剩余可用观测。
- 阅读关注点
- 应核对缺失位置如何进入似然、模型参数与缺失值的估计关系，以及是否考虑缺失机制和缺失值估计的不确定性。
- 阅读边界
- 仅据版本未注明的索引摘要，缺失机制、计算算法及估计误差未说明；不能假定该方法对依赖未观测值的缺失同样有效。
原文摘要
The likelihood function for an autoregressive-moving average process observed at n equally spaced time points has a well-known form. This note gives an expression for the likelihood function when some observations are missing from the series and shows how the missing observations may be estimated from the available data.