Time Series Seasonal Adjustment Using Regularized Singular Value Decomposition
基于正则化奇异值分解的时间序列季节调整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：摘要明确研究季节性时间序列的调整，并提出应对季节模式强度突变的变体，因此对应时间序列与结构变化方向。
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…
基于正则化奇异值分解的时间序列季节调整
- 研究问题
- 如何灵活提取固定或随时间变化的季节性，同时适应平稳或非平稳的非季节成分，并处理季节模式强度的突变？
- 方法与思路
- 作者将季节序列重排为矩阵，以正则化奇异值分解提取季节模式，并通过带粗糙度惩罚的最小二乘估计随时间变化的强度。
- 材料陈述的贡献
- 摘要称方法兼容两类季节性，并提供处理季节强度突变的变体；在模拟和真实数据示例中，与 X-13ARIMA-SEATS 的比较表现有利。
- 阅读关注点
- 阅读全文时应核对矩阵重排方式、秩与惩罚参数的选择、平滑性和突变变体的条件，以及与基准程序比较所用的评价指标。
- 阅读边界
- 摘要未说明调参规则、端点处理、比较指标或性能差异大小；示例中的有利表现不能推出对所有季节序列均更有效。
原文摘要
We propose a new seasonal adjustment method based on the Regularized Singular Value Decomposition (RSVD) of the matrix obtained by reshaping the seasonal time series data. The method is flexible enough to capture two kinds of seasonality: the fixed seasonality that does not change over time and the time-varying seasonality that varies from one season to another. RSVD represents the time-varying seasonality by a linear combination of several seasonal patterns. The right singular vectors capture multiple seasonal patterns, and the corresponding left singular vectors capture the magnitudes of those seasonal patterns and how they change over time. By assuming the time-varying seasonal patterns change smoothly over time, the RSVD uses penalized least squares with a roughness penalty to effectively extract the left singular vectors. The proposed method applies to seasonal time-series data with a stationary or nonstationary nonseasonal component. The method also has a variant that can handle the case that an abrupt change (i.e., break) may occur in the magnitudes of seasonal patterns. Our proposed method compares favorably with the state-of-art X-13ARIMA-SEATS program on both simulated and real data examples.