Filtering With Heavy Tails
厚尾噪声下的滤波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：摘要明确研究未观测成分、观测驱动动态更新与时间序列滤波。
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
厚尾噪声下的滤波
- 研究问题
- 当未观测信号被非高斯厚尾噪声掩盖，部分观测在高斯模型下表现为异常值时，如何建立易实现的动态滤波模型？
- 方法与思路
- 作者采用条件 Student t 分布构建观测驱动模型，让条件分布的得分驱动动态更新，并讨论加入解释变量的扩展。
- 材料陈述的贡献
- 摘要称该设定保留线性高斯模型的部分便利性质，便于实现和建立最大似然渐近理论，并以英国铁路出行说明应用。
- 阅读关注点
- 应核对得分更新如何应对极端观测、滤波状态的解释，以及最大似然渐近理论和解释变量扩展所需的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体动态方程、稳定性条件和预测比较未说明，不能据此断言普遍稳健。
原文摘要
An unobserved components model in which the signal is buried in noise that is non-Gaussian may throw up observations that, when judged by the Gaussian yardstick, are outliers. We describe an observation-driven model, based on a conditional Student’s t-distribution, which is tractable and retains some of the desirable features of the linear Gaussian model. Letting the dynamics be driven by the score of the conditional distribution leads to a specification that is not only easy to implement, but which also facilitates the development of a comprehensive and relatively straightforward theory for the asymptotic distribution of the maximum likelihood estimator. The methods are illustrated with an application to rail travel in the United Kingdom. The final part of the article shows how the model may be extended to include explanatory variables.