A Smoothness Priors–State Space Modeling of Time Series with Trend and Seasonality
含趋势与季节性的时间序列平滑先验状态空间建模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：摘要明确研究时间序列的趋势、季节性、自回归成分及状态空间表示。
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
含趋势与季节性的时间序列平滑先验状态空间建模
- 研究问题
- 如何将时间序列的趋势、季节性、平稳自回归成分与观测误差统一建模，并选择各成分的平滑程度和模型阶数？
- 方法与思路
- 作者将带白噪声扰动的差分约束写成状态空间模型，纳入交易日因素，用Kalman预测计算似然并以AIC选模。
- 材料陈述的贡献
- 摘要展示平滑先验与状态空间表示的结合，通过似然估计未知方差，在候选模型间选择并用固定区间平滑器估计成分。
- 阅读关注点
- 应核对各成分的约束和可区分性、方差参数估计方法，以及AIC候选模型范围与固定区间平滑的实现。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；示例数据、估计误差和预测表现未说明，不能据此判断样本外预测优势。
原文摘要
A smoothness priors modeling of time series with trends and seasonalities is shown. An observed time series is decomposed into local polynomial trend, seasonal, globally stationary autoregressive and observation error components. Each component is characterized by an unknown variance–white noise perturbed difference equation constraint. The constraints or Bayesian smoothness priors are expressed in state space model form. Trading day factors are also incorporated in the model. A Kalman predictor yields the likelihood for the unknown variances (hyperparameters). Likelihoods are computed for different constraint order models in different subsets of constraint equation model classes. Akaike's minimum AIC procedure is used to select the best model fitted to the data within and between the alternative model classes. Smoothing is achieved by using a fixed-interval smoother algorithm. Examples are shown.