Modeling time series when some observations are zero
含零观测时间序列的动态建模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：摘要直接研究含零值序列的动态条件分布、得分滤波和季节性，属于时间序列方法，未明确提供预测效果证据。
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
含零观测时间序列的动态建模
- 研究问题
- 对于大量观测为零、其余取连续正值的时间序列，如何建立统一条件分布，并同时描述动态变化与季节性？
- 方法与思路
- 作者将非零观测的分布左移并把负值截为零，以条件分布得分驱动位置或尺度参数的对数，并通过指数链接和三次样条加入季节性。
- 材料陈述的贡献
- 摘要提出将截断处理推广到动态情形的得分驱动模型，应用于澳大利亚北部和英格兰的日降雨，并与动态零增广模型比较。
- 阅读关注点
- 应核对左移后零点概率与正值密度的构造、得分滤波的稳定性，以及季节样条设定和零增广模型比较所用标准。
- 阅读边界
- 仅据所给出版社摘要，无法判断该模型是否优于零增广模型，也无法得知基础分布、样本时期及季节性随时间变化的实现细节。
原文摘要
Sometimes a significant proportion of observations in a time series are zero, but the remaining observations are positive and measured on a continuous scale. We propose a new dynamic model in which the conditional distribution of the observations is constructed by shifting a distribution for non-zero observations to the left and censoring negative values. The key to generalizing the censoring approach to the dynamic case is to have (the logarithm of) the location/scale parameter driven by a filter that depends on the score of the conditional distribution. An exponential link function means that seasonal effects can be incorporated into the model and this is done by means of a cubic spline (which can potentially be time-varying). The model is fitted to daily rainfall in locations in northern Australia and England and compared with a dynamic zero-augmented model.