Combining Nonparametric and Optimal Linear Time Series Predictions
结合非参数预测与最优线性时间序列预测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：摘要明确研究平稳 ARMA 时间序列，并以结合线性与非参数方法改善预测为目标。
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…
结合非参数预测与最优线性时间序列预测
- 研究问题
- 对于具有 ARMA 表示的严格平稳过程，如何结合线性依赖与非参数回归，在减少解释变量数量的同时改善预测？
- 方法与思路
- 作者先估计过程的 ARMA 表示，再以估计残差作为非参数回归的解释变量，使预测同时利用线性与非线性信息。
- 材料陈述的贡献
- 摘要称，该估计量具有一致性与渐近正态性；利用线性依赖可减少非参数回归维度，数值实验显示预测可能显著改善。
- 阅读关注点
- 应核对严格平稳之外的理论条件、ARMA 估计误差如何进入第二阶段，以及预测目标、残差数量和数值比较的基准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体正则条件、预测期限和实验改善幅度未说明，不能外推至一般非平稳过程。
原文摘要
We introduce a semiparametric procedure for more efficient prediction of a strictly stationary process admitting an ARMA representation. The procedure is based on the estimation of the ARMA representation, followed by a nonparametric regression where the ARMA residuals are used as explanatory variables. Compared to standard nonparametric regression methods, the number of explanatory variables can be reduced because our approach exploits the linear dependence of the process. We establish consistency and asymptotic normality results for our estimator. Numerical experiments show that significant gains can be achieved with our approach. All the supplemental materials used by this article are available online.