A Novel First-Order Autoregressive Moving Average Model to Analyze Discrete-Time Series Irregularly Observed
用于不规则观测离散时间序列的新型一阶自回归移动平均模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究不规则观测时间序列的 ARMA 模型、平稳性与预测，方法对应时间序列方向。
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…
用于不规则观测离散时间序列的新型一阶自回归移动平均模型
- 研究问题
- 对观测时间间隔不规则的离散时间序列，如何建立兼具平稳性质、可计算预测和可实施参数估计的一阶模型？
- 方法与思路
- 作者提出一阶自回归移动平均模型，讨论平稳性与遍历性，给出最小维状态空间表示、一步线性预测及最大似然估计。
- 材料陈述的贡献
- 摘要称，高斯情形下模型严格平稳且遍历，一般情形下弱平稳；模拟考察有限样本估计，并提供医疗和天文应用。
- 阅读关注点
- 应核对不规则时间间隔如何进入模型、平稳与遍历结论的参数条件、似然计算，以及标准误和预测误差的推导。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出完整参数限制，模拟中的标准误表现不能保证所有小样本有效。
原文摘要
A novel first-order autoregressive moving average model for analyzing discrete-time series observed at irregularly spaced times is introduced. Under Gaussianity, it is established that the model is strictly stationary and ergodic. In the general case, it is shown that the model is weakly stationary. The lowest dimension of the state-space representation is given along with the one-step linear predictors and their mean squared errors. The maximum likelihood estimation procedure is discussed, and their finite-sample behavior is assessed through Monte Carlo experiments. These experiments show that bias, root mean squared error, and coefficient of variation are smaller when the length of the series increases. Further, the method provides good estimations for the standard errors, even with relatively small sample sizes. Also, the irregularly spaced times seem to increase the estimation variability. The application of the proposed model is made through two real-life examples. The first is concerned with medical data, whereas the second describes an astronomical data set analysis.