Time Series Analysis of Non-Gaussian Observations Based on State Space Models from Both Classical and Bayesian Perspectives
非高斯观测的状态空间时间序列分析：经典与贝叶斯视角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：摘要明确研究非高斯时间序列及其状态空间模型。
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
非高斯观测的状态空间时间序列分析：经典与贝叶斯视角
- 研究问题
- 当状态方程和观测方程的扰动均可非高斯时，如何从经典与贝叶斯视角估计潜在状态的相关函数及不确定性？
- 方法与思路
- 作者结合重要性抽样与对偶变量进行模拟，不使用 MCMC，并估计状态函数的条件或后验均值及其估计均方误差。
- 材料陈述的贡献
- 摘要称方法还可估计条件及后验密度与分布函数，并通过离散序列、含异常值序列和波动率序列展示应用。
- 阅读关注点
- 应核对重要性密度与对偶变量的选择、模拟误差估计方式，以及不同非高斯模型下计算效率的比较依据。
- 阅读边界
- 仅据 Crossref 摘要；实际有效且计算高效是作者陈述，摘要未给比较标准、数值结果或完整适用条件。
原文摘要
Summary The analysis of non-Gaussian time series by using state space models is considered from both classical and Bayesian perspectives. The treatment in both cases is based on simulation using importance sampling and antithetic variables; Markov chain Monte Carlo methods are not employed. Non-Gaussian disturbances for the state equation as well as for the observation equation are considered. Methods for estimating conditional and posterior means of functions of the state vector given the observations, and the mean-square errors of their estimates, are developed. These methods are extended to cover the estimation of conditional and posterior densities and distribution functions. The choice of importance sampling densities and antithetic variables is discussed. The techniques work well in practice and are computationally efficient. Their use is illustrated by applying them to a univariate discrete time series, a series with outliers and a volatility series.