Constructing Stationary Time Series Models Using Auxiliary Variables With Applications
利用辅助变量构造平稳时间序列模型及其应用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：摘要明确研究平稳时间序列，并构造 ARCH、GARCH 对应模型和波动率应用，支持时间序列与波动率分类。
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
利用辅助变量构造平稳时间序列模型及其应用
- 研究问题
- 如何从预先指定的边际分布族出发构造平稳序列的依赖结构，并形成可用于计数和波动率数据的模型？
- 方法与思路
- 作者围绕指定边际构造依赖结构，建立与状态空间、ARCH 和 GARCH 相对应的模型，再用贝叶斯方法估计。
- 材料陈述的贡献
- 摘要称所得序列具有线性形式与简单自相关结构，并在所考察的计数和波动率应用中相较竞争方法表现良好。
- 阅读关注点
- 应核对辅助变量如何引入、指定边际与平稳性如何保证、线性结构的含义，以及贝叶斯估计和应用比较的设置。
- 阅读边界
- 仅据版本未注明的索引摘要，不能确定辅助变量分布、先验或评价指标；应用中的比较表现不能推为普遍优势。
原文摘要
Here we present a novel method for modeling stationary time series. Our approach is to construct the model with a specified marginal family and build the dependence structure around it. We show that the resulting time series is linear with a simple autocorrelation structure. We construct models that parallel existing structures, namely state-space models, autoregressive conditional heteroscedasticity (ARCH) models, and generalized ARCH models. We use Bayesian techniques to estimate the resulting models. We also demonstrate that the models perform well compared with competing methods for the applications considered, count models and volatility models.