Miscellanea. Exact Gaussian maximum likelihood and simulation for regularly-spaced observations with Gaussian correlations
等间隔高斯相关观测的精确高斯最大似然与模拟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：摘要直接涉及自相关函数、自回归和移动平均表示以及相关序列的似然与模拟。
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
等间隔高斯相关观测的精确高斯最大似然与模拟
- 研究问题
- 对具有高斯型自相关函数的等间隔观测，如何获得自回归与移动平均表示，并据此准确计算高斯似然和开展精确模拟？
- 方法与思路
- 作者理论推导这类观测的有限与无限自回归、移动平均表示，利用这些表示进行精确高斯最大似然计算和模拟。
- 材料陈述的贡献
- 摘要称，所获表示允许非常准确地实施精确高斯最大似然估计，同时给出一种简单的精确模拟方法。
- 阅读关注点
- 应核对高斯自相关函数的具体形式、各类表示的适用范围，以及似然计算和模拟中的数值误差与实现步骤。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断数值精度、计算成本或边界处理；高斯型相关函数也不能单独保证联合高斯分布。
原文摘要
For regularly-spaced observations with the Gaussian autocorrelation function, the finite and infinite autoregressive and moving-average representations can be obtained theoretically. This allows exact Gaussian maximum likelihood to be performed very accurately, and gives a simple exact simulation method.