Contemporaneous bivariate time series
同期相关的双变量时间序列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：摘要明确研究双变量 ARMA 时间序列及其参数估计。
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
同期相关的双变量时间序列
- 研究问题
- 在作者所述仅具有同期相关的双变量 ARMA 模型中，两条序列观测长度不同时，如何充分使用数据估计参数？
- 方法与思路
- 作者针对自回归与移动平均参数矩阵均为对角矩阵的模型推导最大似然算法，并比较不同估计程序的统计效率。
- 材料陈述的贡献
- 摘要称给出有效的最大似然估计算法，并与只利用部分可用数据的标准多变量及单变量程序比较效率。
- 阅读关注点
- 应核对同期相关的精确定义、不同长度观测如何进入似然，以及效率比较使用的数据范围和模型条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；算法细节与效率结果未说明，不能推广到任意跨序列动态关联模型。
原文摘要
Bivariate autoregressive-moving average time series with diagonal parameter matrices for the autoregressive and moving average components exhibit only contemporaneous or instantaneous correlation. In practice, different lengths of each series may be available. An efficient maximum likelihood algorithm for parameter estimation is derived. The statistical efficiency of this new procedure is compared with that of the standard multivariate and univariate procedures which utilize only part of the available data.