Estimating Missing Observations in Economic Time Series
经济时间序列中缺失观测的估计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：摘要直接研究经济时间序列中的 ARIMA 模型、缺失观测和时间聚合问题。
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
经济时间序列中缺失观测的估计
- 研究问题
- 当经济时间序列存在缺失观测或时间聚合时，如何估计 ARIMA 模型参数，并同时估计未被观测到的数值？
- 方法与思路
- 作者将 ARIMA 模型写成状态空间形式，再应用 Kalman 滤波，分别处理参数的最大似然估计与缺失观测估计。
- 材料陈述的贡献
- 摘要称，缺失或时间聚合条件下的参数估计，以及缺失观测本身的估计，都可以通过状态空间与滤波方法解决。
- 阅读关注点
- 核对缺失与时间聚合如何进入观测方程、似然如何计算，以及缺失值估计的条件信息集和不确定性如何处理。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；缺失机制、模型条件及估计误差性质未说明，不能推断刊本内容或适用范围。
原文摘要
Two related problems are considered. The first concerns the maximum likelihood estimation of the parameters in an ARIMA model when some of the observations are missing or subject to temporal aggregation. The second concerns the estimation of the missing observations. Both problems can be solved by setting up the model in state space form and applying the Kalman filter.