Diagnosing Shocks in Time Series
时间序列中的冲击诊断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：摘要明确使用时间序列状态空间与ARIMA模型，并诊断水平位移和切换，直接涉及时间序列与结构变化。
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
时间序列中的冲击诊断
- 研究问题
- 研究如何高效诊断时间序列中的异常值、水平位移和切换等异常行为，并在不同模型设定中计算相应的干预检验统计量。
- 方法与思路
- 作者利用状态空间表示，使多种干预统计量可由一次Kalman滤波与平滑计算获得，并讨论结构模型、ARIMA及含解释变量模型。
- 材料陈述的贡献
- 摘要称方法涵盖已有检测方案并提出新诊断统计量，为常见异常行为提供统一计算途径，但未报告检验功效或误报率。
- 阅读关注点
- 应核对不同冲击和切换的参数化、统计量的零分布、未知发生时间的搜索调整，以及一次滤波平滑计算适用的模型范围。
- 阅读边界
- 材料为OpenAlex索引摘要，稿件版本未注明；摘要未说明临界值和检测表现，异常诊断不提供经济冲击的因果识别，刊本变化未知。
原文摘要
Efficient means of modeling aberrant behavior in times series are developed. Our methods are based on state-space forms and allow test statistics for various interventions to be computed from a single run of the Kalman filter smoother. The approach encompasses existing detection methodologies. Departures commonly observed in practice, such as outlying values, level shifts, and switches, are readily dealt with. New diagnostic statistics are proposed. Implications for structural models, autoregressive integrated moving average models, and models with explanatory variables are given.