Recursive Estimation Based on ARMA Models
基于 ARMA 模型的递归估计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：摘要明确研究平稳 ARMA 时间序列的递归估计，直接对应时间序列方向。
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
基于 ARMA 模型的递归估计
- 研究问题
- 在真实随机结构属于 ARMA、具有有理谱的平稳时间序列中，如何随新观测到来递归更新估计，并保证其趋近真实参数？
- 方法与思路
- 作者使用此前参数估计构造回归中涉及的变量，通过对上一期回归估计作较简单调整实现递归更新，面向实时计算场景。
- 材料陈述的贡献
- 摘要称，文章建立该递归估计向真实值的强收敛，并给出关于收敛速度的结果，同时说明逐次更新具有相对简单的形式。
- 阅读关注点
- 应核对 ARMA 模型的参数与阶数设定、递归变量的构造和初始化，以及强收敛与速度结论分别依赖哪些条件。
- 阅读边界
- 仅依据稿件版本未注明的 OpenAlex 索引摘要；具体收敛条件和速度表达未说明，实时更新能力也不等于预测准确性保证。
原文摘要
A recursive estimate of the stochastic structure of a stationary time series is constructed based on the assumption that the true structure is ARMA, i.e., has a rational spectrum. The estimate is recursive in the sense that each successive estimate is obtained from the previous one by a relatively simple adjustment, that could be effected in a "real time" situation. The procedure is basically that of updating a regression when all variates involved are constructed from previous estimates of the parameter vector. The strong convergence of the estimate to the true value is established as well as a result relating to the rate of convergence.