Estimation, Prediction, and Interpolation for ARIMA Models with Missing Data
含缺失观测的 ARIMA 模型：估计、预测与插值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 ARIMA 时间序列的似然计算、缺失观测预测与插值。
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
含缺失观测的 ARIMA 模型：估计、预测与插值
- 研究问题
- 当 ARIMA 序列存在缺失观测时，如何定义并高效计算边际似然，同时预测、插补缺失值并衡量估计误差？
- 方法与思路
- 作者采用允许初始状态部分弥散的修正卡尔曼滤波之单变量版本，计算边际似然，并处理缺失观测的预测与插值。
- 材料陈述的贡献
- 摘要称给出了缺失数据下 ARIMA 边际似然的定义与高效计算方法，以及缺失观测估计和相应均方误差的计算。
- 阅读关注点
- 应核对边际似然如何处理初始状态、缺失位置如何进入滤波，以及预测与插值各自使用哪些观测信息。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明缺失机制、参数估计细节及计算效率的比较依据，也不能判断刊本变化。
原文摘要
We show how to define and then compute efficiently the marginal likelihood of an ARIMA model with missing observations. The computation is carried out by using the univariate version of the modified Kalman filter introduced by Ansley and Kohn (1985a), which allows a partially diffuse initial state vector. We also show how to predict and interpolate missing observations and obtain the mean squared error of the estimate.