A new look at time series of counts
计数时间序列的新视角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：摘要直接研究平稳计数时间序列及短记忆、长记忆自协方差结构。
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…
计数时间序列的新视角
- 研究问题
- 如何构造具有指定离散边际分布的平稳计数时间序列，同时允许短记忆或长记忆相关结构，并保持模型简约？
- 方法与思路
- 作者用更新过程生成相关伯努利试验，再叠加独立副本构造离散边际的平稳序列，并采用线性预测技术拟合。
- 材料陈述的贡献
- 摘要称模型可构造多种离散边际，具有非马尔可夫性质并容纳不同记忆结构，以连续周降雨天数数据展示拟合。
- 阅读关注点
- 应核对更新过程与边际分布的对应关系、短长记忆的形成条件，以及线性预测拟合的参数识别和误差评价。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；具体构造条件、估计性质和比较结果未说明，不能据此认为其普遍优于其他计数模型。
原文摘要
This paper proposes a simple new model for stationary time series of integer counts. Previous work has focused on thinning methods and classical time series autoregressive moving-average difference equations; in contrast, our methods use a renewal process to generate a correlated sequence of Bernoulli trials. By superpositioning independent copies of such processes, stationary series with binomial, Poisson, geometric or any other discrete marginal distribution can be readily constructed. The model class proposed is parsimonious, non-Markov and readily generates series with either short- or long-memory autocovariances. The model can be fitted with linear prediction techniques for stationary series. As an example, a stationary series with binomial marginal distributions is fitted to the number of rainy days in 210 consecutive weeks at Key West, Florida. Copyright 2009, Oxford University Press.