Efficient Probabilistic Forecasts for Counts
计数数据的有效概率预测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：摘要明确以整数自回归模型研究计数序列的完整预测分布，直接对应时间序列与概率预测。
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…
计数数据的有效概率预测
- 研究问题
- 对于可解释为队列、存量或分枝过程的整数值时间序列，如何估计完整预测分布，并在较宽模型类中实现渐近效率？
- 方法与思路
- 作者在整数自回归模型类中非参数估计预测分布，证明渐近效率，并用子抽样评估整个估计预测分布的抽样变异。
- 材料陈述的贡献
- 摘要称建立非参数渐近效率及子抽样有效性；模拟中该估计优于误设参数替代方法，并应用于股票市场冰山订单计数。
- 阅读关注点
- 应核对整数自回归模型类、预测目标和效率界的定义，以及子抽样条件、模拟中的误设方式与冰山订单数据处理。
- 阅读边界
- 仅据所给 Crossref 摘要；模型条件、预测期限和数值结果未说明，模拟优势限于所述误设比较，不能据此断言普遍优越或推断版本变化。
原文摘要
Summary Efficient probabilistic forecasts of integer-valued random variables are derived. The optimality is achieved by estimating the forecast distribution non-parametrically over a given broad model class and proving asymptotic (non-parametric) efficiency in that setting. The method is developed within the context of the integer auto-regressive class of models, which is a suitable class for any count data that can be interpreted as a queue, stock, birth-and-death process or branching process. The theoretical proofs of asymptotic efficiency are supplemented by simulation results that demonstrate the overall superiority of the non-parametric estimator relative to a misspecified parametric alternative, in large but finite samples. The method is applied to counts of stock market iceberg orders. A subsampling method is used to assess sampling variation in the full estimated forecast distribution and a proof of its validity is given.