Estimation of Time Series Models in the Presence of Missing Data
存在缺失数据时的时间序列模型估计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：摘要明确研究含缺失观测的离散时间序列模型估计，直接对应时间序列方向。
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…
关注这篇论文的作者
存在缺失数据时的时间序列模型估计
- 研究问题
- 离散时间序列含有缺失观测时，如何估计其模型，并根据缺失模式、模型性质与计算要求选择合适的估计方法？
- 方法与思路
- 作者提出一种缺失数据下的时间序列估计方法，讨论采用它的理由，以模拟考察简单模型中的表现，并应用于含缺失值的污染序列。
- 材料陈述的贡献
- 摘要提供估计方法、简单模型模拟与真实序列应用，并强调方法选择依赖缺失模式、模型与计算因素；未声称一种方法普遍最优。
- 阅读关注点
- 应核对缺失机制与观测模式的假设、具体计算步骤，以及模拟中采用的模型和比较方法，查看污染数据应用如何处理缺失。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明。摘要未说明算法细节、缺失机制或模拟结果，不能判断其能否处理信息性缺失。
原文摘要
A method is proposed for the estimation of models for discrete time series in the presence of missing data. Some justification is given for the use of this method over alternatives; the choice of estimator is likely to be governed by the pattern of missing data, the nature of the time series model, and computational considerations. The method's performance in estimating simple models is studied by simulations, and it is applied to a time series of pollution levels containing some missing observations.