Recursive Estimation of Dynamic Linear Models
动态线性模型的递归估计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。
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：摘要明确研究单变量时间序列、动态线性模型、Kalman 滤波及递归预测。
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
动态线性模型的递归估计
- 研究问题
- 如何为单变量时间序列建立便于递归估计和预测的动态线性模型，并减少传统动态模型中系统方差矩阵的设定负担？
- 方法与思路
- 作者提出仅依赖一个主要随机来源的动态线性框架，将多元回归、指数平滑和 ARMA 过程纳入其中，并推导相应 Kalman 滤波器。
- 材料陈述的贡献
- 摘要称，该框架包含多种常用模型作为特例，省去有争议的系统方差矩阵，并为动态模型及递归预测提供更简单的表述。
- 阅读关注点
- 应核对单一随机来源如何进入观测与状态方程，各类特例的对应关系，以及滤波初始化、参数估计和递归预测的实现条件。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未给出完整状态方程、适用限制或预测误差比较，不能据此判断对一般动态模型的优势。
原文摘要
SUMMARY A dynamic, linear model for the analysis of univariate time series is proposed. It encompasses many of the common statistical models as special cases such as multiple regression, exponential smoothing and mixed autoregressive-moving average processes. its distinguishing feature is that it relies on only one primary source of randomness. It therefore not only provides a simpler framework for the study of dynamic models but also eliminates the need for the contentious system variance matrix which has been credited with hampering the use of recursive forecasting methods in practice. The associated Kalman filter is also derived.