Likelihood-Based Ergodicity Transformations in Time Series Analysis
时间序列分析中基于似然的遍历性变换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。
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：摘要直接研究时间序列变换，并涉及 ARMA、GARCH 及宏观时间序列数据库。
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
时间序列分析中基于似然的遍历性变换
- 研究问题
- 面对妨碍预测与推断的非遍历时间序列，能否通过似然方法估计合适的变换，并改善常规模型在实际数据中的表现？
- 方法与思路
- 作者提出基于似然的遍历性变换估计，说明其与高斯过程、ARMA 和 GARCH 的兼容性，并进行布朗运动模拟及宏观数据应用。
- 材料陈述的贡献
- 摘要称模拟能够恢复已知的遍历性变换，在 FRED-QD 案例中，相较常规变换或简单设定可带来有意义的表现改善。
- 阅读关注点
- 应核对遍历性变换的数学定义、变换后的似然构造、与各类模型兼容的条件，以及应用中改善所对应的评价指标。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明变换适用条件或改善指标，无法判断其普遍有效性。
原文摘要
Time series often exhibit non-ergodic behaviour that complicates forecasting and inference. This article proposes a likelihood-based approach for estimating ergodicity transformations that addresses such challenges. The method is broadly compatible with standard models, including Gaussian processes, ARMA, and GARCH. A detailed simulation study using geometric and arithmetic Brownian motion demonstrates the ability of the approach to recover known ergodicity transformations. A further case study on the large macroeconomic database FRED-QD shows that incorporating ergodicity transformations can provide meaningful improvements over conventional transformations or naive specifications in applied work.