跳到正文
← 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。

本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。

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：摘要明确讨论阈值及平滑阈值自回归的时间序列分析，并将阈值原理用于条件方差与波动分类。

neural networktime seriesmachine learning
反馈分类问题

正在核对关联版本…

DOI · 预印本使用 arXiv 编号

arXiv

作者的期刊发表依据

暂未核实关联作者的本站覆盖期刊正式发表记录。仍保留在“全部预印本”；资料缺失不代表没有发表经历。

arXiv：2609.33247 · v1

首次提交：2026-09-27 · 最近修订：2026-09-27

原站分类：stat.ME

收录依据：统计方法、统计理论或金融计量分类，且题名或摘要含计量研究主题

下载 BibTeX下载 RIS

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
Howell Tong

AI 解读 · 基于可核验材料

阈值原理、神经网络联系与计量经济学传承札记

研究问题
阈值原理如何通过多个子系统描述复杂非线性动态，与神经网络有哪些概念联系，其计量应用和条件方差扩展应如何理解？
方法与思路
作者以非技术性札记回顾阈值自回归及平滑扩展，比较阈值原理和神经网络的架构，并讨论条件方差及非实值领域应用。
材料陈述的贡献
摘要明确将文章定位为个人观点和方法反思，强调阈值原理的历史影响、平滑模型使用注意事项及有意义的波动分类。
阅读关注点
应核对平滑阈值模型的具体误用情形、条件方差分类的定义与依据，并区分作者的历史评价、概念类比和形式化结果。
阅读边界
这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要说明参考文献有限且含个人观点，未提供新定理或实证效果细节。

GPT-6.1 Sol · 高 · 2026-10-03

原文摘要

This is mostly a non-technical note, reflecting the author's philosophy and personal views on time series analysis, with references limited to only a few representatives for brevity. The Threshold Principle, formally announced in Tong (1990), modernised time series analysis by introducing a collection of sub-systems to model complex nonlinear dynamics. We explore the conceptual architecture of the Threshold Principle drawing parallels and contrasts with artificial neural network in machine learning. We trace the influential adoption of Threshold Autoregression in econometrics. We examine a smooth extension, namely the smooth threshold autoregression introduced by Chan and Tong (1986) that was later popularized in the Econometric literature. We sound cautions to help econometric users to avoid misuse of this model. Furthermore, we examine how we can systematically apply the Threshold Principle to conditional variance to enable meaningful volatility classification. Finally, we mention some of the modern applications of the Threshold Principle to non-real-valued domains, underscoring its enduring half-century methodological significance as embodied in the threshold autoregression.

摘要来源：arXiv

笔记与分组