A new matrix-variate integer-valued autoregressive process with matrical negative binomial thinning
采用矩阵负二项抽稀的新型矩阵整数值自回归过程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：摘要明确研究矩阵计数时间序列的整数值自回归过程及其估计，对应时间序列方向。
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
采用矩阵负二项抽稀的新型矩阵整数值自回归过程
- 研究问题
- 矩阵形式的计数时间序列存在过度离散时，如何在保留整数取值及矩阵组织结构的同时，建立适用的动态模型与估计方法？
- 方法与思路
- 作者通过左右矩阵负二项抽稀算子构造整数值自回归模型，研究其概率与统计性质，并提出投影估计及迭代条件最小二乘估计。
- 材料陈述的贡献
- 摘要称建立两类估计方法的渐近理论，以模拟评估有限样本表现，并在实际数据中报告相对连续矩阵及向量整数自回归模型的拟合改善。
- 阅读关注点
- 应核对矩阵抽稀算子的定义、平稳性与识别条件、两种估计量的渐近假设，以及拟合比较是否体现过度离散和矩阵结构的作用。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出具体渐近结论、数据内容和比较指标，拟合优势不能直接推出预测优势。
原文摘要
To address the overdispersion problem in matrix-variate integer-valued time series data arising in sociology, medicine, and related fields, this paper proposes a matrix integer-valued autoregressive model based on the negative binomial thinning operator. By introducing left and right matricial negative binomial thinning operators, the proposed model not only preserves the integer-valued nature of the data but also effectively handles overdispersion. The probabilistic and statistical properties of the proposed model are systematically investigated. Two estimation methods, namely projection estimation and iterative conditional least squares estimation are developed, and the corresponding asymptotic theories are established. Simulation studies provide concrete numerical results to evaluate the finite-sample performance of the estimators. Real data analysis demonstrates that the proposed model outperforms both the continuous matrix autoregressive model and the multivariate integer-valued autoregressive model in fitting matrix-variate integer-valued time series, while also proving effective in accommodating overdispersed count data.