Robust Methods for Recursive Autoregressive Moving Average Estimation
ARMA 模型递归估计的稳健方法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：摘要明确以含异常值的时间序列及 ARMA 递归拟合为研究对象，直接对应时间序列方法，但未限定宏观数据。
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
ARMA 模型递归估计的稳健方法
- 研究问题
- 当时间序列存在加性异常值时，如何逐期递归拟合 ARMA 模型，并减轻传统递归最小二乘估计受到的影响？
- 方法与思路
- 作者研究递归极大似然程序的稳健化版本，讨论稳健尺度递推，考察渐近性质，并模拟比较非平稳情形的自适应版本。
- 材料陈述的贡献
- 摘要所述贡献包括稳健递归估计的构造、尺度更新问题的讨论及渐近分析，并提供非平稳情形下的模拟比较。
- 阅读关注点
- 应核对异常值模型、稳健化函数及尺度更新方式，区分渐近理论适用条件与非平稳模拟设定，并检查适应速度。
- 阅读边界
- 仅据所给 Crossref 摘要，稳健化形式、渐近结论和模拟结果均未具体说明，无法判断对不同异常值类型的有效性。
原文摘要
SUMMARY In this paper we consider the problem of fitting, recursively in time, an autoregressive moving average (ARMA) model to time series data where outliers may be present. Although many recursive estimation procedures are available for fitting ARMA models, they are based on the recursive least squares algorithm which is known to be badly affected by additive outliers. to minimize the impact of these sort of outliers we investigate some robustified versions of the recursive maximum likelihood procedure. The problem of incorporating robust scale recursion is discussed and asymptotic properties of the procedures are examined. We also present results from simulation studies which compare adaptive versions of these procedures in the non-stationary case.