The Identification of ARMA Models
ARMA 模型的阶数识别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：摘要直接讨论 ARMA 模型及其阶数选择，属于所列时间序列方法方向，未明确具体宏观应用。
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…
ARMA 模型的阶数识别
- 研究问题
- 在观测数量较少的情况下，如何确定 ARMA 模型的自回归阶数与移动平均阶数，并评估所提阶数选择方法的能力？
- 方法与思路
- 作者将自回归阶数确定准则与线性估计方法结合，用于 ARMA 阶数选择，并通过模拟数据展示方法的表现。
- 材料陈述的贡献
- 摘要称提出适用于小样本观测集的新阶数确定方法，模拟用于展示其能力，但没有陈述具体成功率或理论保证。
- 阅读关注点
- 应核对自回归阶数准则、两类阶数的确定步骤、模型条件与候选范围，以及小样本模拟的设计和比较基准。
- 阅读边界
- 依据版本未注明的 OpenAlex 简短摘要；没有提供一致性条件、模拟数值或真实数据结果，不能据“强大”措辞判断普遍优势。
原文摘要
We present a new powerful method for determining the order of ARMA (p, q) models having small sets of observations. The procedure is based on an autoregressive order determination criterion and on linear estimation methods. Simulated data are used to demonstrate the capabilities of the approach.