On a Mixture Autoregressive Model
一种混合自回归模型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：摘要直接研究非线性时间序列的混合自回归、平稳性和自相关结构，支持时间序列分类。
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
一种混合自回归模型
- 研究问题
- 如何构造非线性时间序列模型，使条件分布的形状可以变化，并同时描述周期、多峰性和条件异方差等动态特征？
- 方法与思路
- 作者将高斯混合转移分布模型推广为多个平稳或非平稳自回归分量的混合，推导平稳条件与自相关函数，并采用 EM 估计。
- 材料陈述的贡献
- 摘要称模型扩大了可描述的预测分布形状，处理周期与异方差；两个真实数据应用中，作者报告其较好捕捉了数据特征。
- 阅读关注点
- 应核对混合权重与分量设定、整体平稳条件、模型选择办法，以及 EM 的初始化和真实数据比较采用的评价标准。
- 阅读边界
- 仅依据所给 Crossref 摘要；数据名称、比较指标及数值未说明，两个应用中的表现不能据此推广为普遍预测优势。
原文摘要
Summary We generalize the Gaussian mixture transition distribution (GMTD) model introduced by Le and co-workers to the mixture autoregressive (MAR) model for the modelling of non-linear time series. The models consist of a mixture of K stationary or non-stationary AR components. The advantages of the MAR model over the GMTD model include a more full range of shape changing predictive distributions and the ability to handle cycles and conditional heteroscedasticity in the time series. The stationarity conditions and autocorrelation function are derived. The estimation is easily done via a simple EM algorithm and the model selection problem is addressed. The shape changing feature of the conditional distributions makes these models capable of modelling time series with multimodal conditional distributions and with heteroscedasticity. The models are applied to two real data sets and compared with other competing models. The MAR models appear to capture features of the data better than other competing models do.