Miscellanea. Time series with additive noise
杂论：含加性噪声的时间序列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：摘要明确研究状态空间时间序列、长记忆过程及加性噪声，直接对应时间序列方法。
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
杂论：含加性噪声的时间序列
- 研究问题
- 潜在状态允许为一般高斯随机过程时，如何估计含噪声的时间序列，尤其是长记忆状态与非高斯观测模型？
- 方法与思路
- 作者提出广义状态空间模型，讨论极大似然与贝叶斯推断，并引入模拟平滑器以处理长记忆状态下的非高斯观测。
- 材料陈述的贡献
- 摘要称，该框架对长记忆加噪声模型尤为重要，模拟平滑器使一类状态方程具有长记忆的非高斯时间序列可估计。
- 阅读关注点
- 应核对潜在过程与观测噪声的条件、模拟平滑器的构造，以及非高斯观测扩展的计算步骤和模型适用范围。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要，噪声结构、参数识别与计算复杂度未说明，无法判断具体估计性能或适用边界。
原文摘要
We put forward a state space model where the unobservable state variable can be any Gaussian stochastic process. We discuss both maximum likelihood estimation and Bayesian inference for this generalised model. The methodology developed in this paper is particularly important for the class of long memory plus noise models. Armed with the simulation smoother introduced in this paper, we can estimate a class of non-Gaussian measurement time series models with long memory in the state equation.