Leave- K -Out Diagnostics for Time Series
时间序列的留 K 法诊断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 ARIMA 时间序列模型的观测删除诊断与异常值处理。
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
时间序列的留 K 法诊断
- 研究问题
- 如何通过删除观测诊断 ARIMA 模型拟合中的异常影响，并处理时间依赖造成的影响扩散、成片异常值和掩蔽现象？
- 方法与思路
- 作者比较删去观测后的参数估计变化，提出留 K 法处理成片异常值、迭代删除处理掩蔽，并将诊断纳入 ARIMA 拟合策略。
- 材料陈述的贡献
- 摘要称，时间依赖会使系数诊断出现影响扩散，而创新方差诊断更清晰、敏感；作者还提供整体拟合策略及两个数据示例。
- 阅读关注点
- 应核对删除观测后的模型处理方式、K 值与异常片段的选择、迭代删除停止规则，以及创新方差诊断的比较依据。
- 阅读边界
- 依据所给 Crossref 摘要；诊断敏感性的适用条件、数据细节和误报表现未说明，不能推断普遍优势或其他版本变化。
原文摘要
SUMMARY We propose diagnostics for autoregressive integrated moving average (ARIMA) model fitting for time series formed by deleting observations from the data and measuring the change in the estimates of the parameters. The use of leave-one-out diagnostics is a well-established tool in regression analysis. We demonstrate the efficacy of observation-deletion-based diagnostics for ARIMA models, addressing issues special to the time series setting. It is shown that the dependency aspect of time series data gives rise to a ‘smearing’ effect, which confounds the diagnostics for the coefficients. It is also shown that the diagnostics based on the innovations variance are much clearer and more sensitive than those for the coefficients. A ‘leave-k-out’ diagnostics approach is proposed to deal with patches of outliers, and problems caused by ‘masking’ are handled by use of iterative deletion. An overall strategy for ARIMA model fitting is given and applied to two data sets.