The Likelihood Function for a Stationary Gaussian Autoregressive-Moving Average Process with Missing Observations
含缺失观测的平稳高斯 ARMA 过程的似然函数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：题名与摘要明确涉及平稳高斯 ARMA 序列及其似然处理，属于时间序列方法，未说明其他细分领域应用。
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
含缺失观测的平稳高斯 ARMA 过程的似然函数
- 研究问题
- 对原本在等间隔时点观测的平稳高斯 ARMA 序列，部分观测缺失后，如何表达似然并利用已有数据估计缺失值？
- 方法与思路
- 作者针对等间隔序列中部分观测缺失的情形，给出相应似然函数表达式，并说明如何从可用观测估计缺失数据。
- 材料陈述的贡献
- 摘要称，这篇短文将通常完整观测下的 ARMA 似然表达扩展到含缺失观测的情形，同时提供缺失观测的估计方式。
- 阅读关注点
- 应核对似然如何处理缺失时点、哪些模型参数需要已知或估计，以及缺失值估计的定义与不确定性如何处理。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；缺失机制、计算步骤和估计性质均未说明，不能据此认定任意缺失情形都适用。
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.