Conditional-mean Multiplicative Operator Models for Count Time Series
计数时间序列的条件均值乘法算子模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要以计数时间序列的动态条件均值模型及其估计为研究对象。
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
计数时间序列的条件均值乘法算子模型
- 研究问题
- 普通乘法误差模型无法保持观测值的整数性质，如何为计数时间序列定义乘法机制，并建立相应的条件均值模型和估计方法？
- 方法与思路
- 作者提出计数乘法算子及若干实例，构造计数乘法误差模型；在线性条件均值下联系 INGARCH，并研究准极大似然和加权最小二乘估计。
- 材料陈述的贡献
- 摘要称方法可作为 INGARCH 的半参数扩展，并推导相关随机性质与估计方法，以模拟和两个真实数据例子展示表现。
- 阅读关注点
- 应核对不同乘法算子的定义、模型与 INGARCH 的确切关系，以及随机性质、估计有效性和半参数扩展分别需要哪些条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核验；摘要未列出随机性质的具体结论、估计条件或应用结果，不能据此判断优劣。
原文摘要
Multiplicative error models (MEMs) are commonly used for real-valued time series, but they cannot be applied to discrete-valued count time series as the involved multiplication would not preserve the integer nature of the data. Thus, the concept of a multiplicative operator for counts is proposed (as well as several specific instances thereof), which are then used to develop a kind of MEMs for count time series (CMEMs). If equipped with a linear conditional mean, the resulting CMEMs are closely related to the class of so-called integer-valued generalized autoregressive conditional heteroscedasticity (INGARCH) models and might be used as a semi-parametric extension thereof. Important stochastic properties of different types of INGARCH-CMEM as well as relevant estimation approaches are derived, namely types of quasi-maximum likelihood and weighted least squares estimation. The performance and application are demonstrated with simulations as well as with two real-world data examples.