An Alternative Approach to Modeling and Forecasting Seasonal Time Series
季节性时间序列建模与预测的另一种方法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：摘要对美国季度宏观序列建立季节性自回归模型并比较预测表现，因此归入时间序列与预测方向。
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
季节性时间序列建模与预测的另一种方法
- 研究问题
- 能否把季节性直接纳入自回归系数的先验，在允许参数随时间变化的框架下预测季节序列，并与常用模型比较预测表现？
- 方法与思路
- 作者沿用贝叶斯自回归思路，以一组不确定的线性限制把季节性写入系数先验；对十个美国季度宏观序列拟合单变量时变自回归模型。
- 材料陈述的贡献
- 摘要称，文章提出通过系数先验表达季节性的建模方法，并用十个美国季度宏观序列，将其预测表现与五种常用模型逐一比较。
- 阅读关注点
- 阅读时应核对季节性线性限制、先验不确定程度、系数随时间变化的设定，以及五个比较模型、预测期长和评价指标是否可比。
- 阅读边界
- 摘要未说明预测误差或比较结果，也未交代先验参数、样本区间和估计实现；仅凭模型比较的描述，不能判断该方法是否更准确。
原文摘要
This article proposes an alternative methodology for modeling and forecasting seasonal series. The approach is in the Bayesian autoregression tradition pioneered by Doan, Litterman, and Sims and builds seasonality directly into the prior of the coefficients of the model by means of a set of uncertain linear restrictions. As an illustration, the method is applied to 10 U.S. quarterly macroeconomic series. For each series, the author compares the forecasting performance of a univariate time-varying autoregressive model with seasonality built in the prior of the coefficients with five other widely used models.