Modeling Time Series with Calendar Variation
含日历变动的时间序列建模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：摘要明确以时间序列为对象，使用ARIMA处理自相关、趋势与季节性，直接对应时间序列方向。
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
含日历变动的时间序列建模
- 研究问题
- 如何在时间序列中同时处理自相关、趋势与季节性，以及交易日安排和复活节造成的日历变动，使这些变化进入统一模型？
- 方法与思路
- 作者以ARIMA模型描述自相关、趋势和季节性，以回归模型描述交易日及复活节效应，将两部分相加并讨论识别、估计和诊断。
- 材料陈述的贡献
- 摘要称文章提供了结合ARIMA与日历效应回归的建模框架，讨论相关推断和诊断方法，并通过实际例子展示这些思路。
- 阅读关注点
- 应核对交易日与节日变量的具体构造、ARIMA部分的识别方式，以及日历效应和季节性如何区分、诊断如何实施。
- 阅读边界
- 摘要未说明具体模型阶数、样本和诊断结果；来源为版本未注明的OpenAlex索引摘要，不能推断刊本变化。
原文摘要
The modeling of time series data that include calendar variation is considered. Autocorrelation, trends, and seasonality are modeled by ARIMA models. Trading day variation and Easter holiday variation are modeled by regression-type models. The overall model is a sum of ARIMA and regression models. Methods of identification, estimation, inference, and diagnostic checking are discussed. The ideas are illustrated through actual examples.