Estimation of Poisson Autoregressive Model for Multiple Time Series
多条时间序列的泊松自回归模型估计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。
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：摘要直接研究多条计数时间序列的自回归估计，并讨论暂时结构变化下的表现。
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…
多条时间序列的泊松自回归模型估计
- 研究问题
- 如何估计具有离散性和自相关的计数时间序列，并扩展泊松自回归模型以处理多序列及暂时性的结构变化？
- 方法与思路
- 作者将泊松自回归视为加性模型，在 backfitting 中结合三次平滑样条和最大似然估计，并推广至多条计数序列。
- 材料陈述的贡献
- 摘要称，该方法在模拟中与状态空间估计相当或更好，尤其对较大计数；同时指出两种方法在近非平稳情形下均低估参数。
- 阅读关注点
- 应核对加性表示、样条与似然步骤的衔接、多序列间依赖的处理，以及近非平稳和暂时结构变化的模拟设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出误差幅度和稳健性条件，金融指标应用也未报告具体结果。
原文摘要
A Poisson autoregressive (PAR) model accounting for discreteness and autocorrelation of count time series data is typically estimated in the state-space modelling framework through extended Kalman filter. However, because of the complex dependencies in count time series, estimation becomes more challenging. PAR is viewed as an additive model and estimated using a hybrid of cubic smoothing splines and maximum likelihood estimation (MLE) in the backfitting framework. Simulation studies show that this estimation method is comparable or better than PAR estimated in the state-space context, especially with larger count values. However, as [2] formulated PAR for stationary counts, both estimation procedures underestimate parameters in nearly nonstationary models. The flexibility of the additive model has two benefits though: robust estimation in the presence of temporary structural change, and; viability to integrate PAR model into a more complex model structure. We further generalized the PAR(p) model into multiple time series of counts and illustrated with indicators in the financial markets.