Time-Varying Poisson Autoregression
时变泊松自回归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：摘要明确涉及计数时间序列建模、预测和结构突变，直接支持时间序列、预测及结构变化分类。
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…
时变泊松自回归
- 研究问题
- 对于具有复杂非线性动态和结构突变的计数时间序列，如何通过时变参数模型描述其演变并开展预测与参数推断？
- 方法与思路
- 作者提出含外生协变量的时变泊松自回归模型 TV-PARX，通过得分驱动框架更新参数，并研究最大似然估计的性质。
- 材料陈述的贡献
- 摘要称，在一定条件下估计量强一致且渐近正态，并通过模拟评价预测表现，以意大利每日感染数和美国企业违约数展示。
- 阅读关注点
- 应核对参数更新方程、稳定性及似然条件、结构突变的处理方式，以及模拟和应用中的预测基准、区间与评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出所谓温和条件或预测比较数值，不能判断各场景的预测优势。
原文摘要
In this paper we propose a new time-varying econometric model, called Time-Varying Poisson AutoRegressive with eXogenous covariates (TV-PARX), suited to model and forecast time series of counts. {We show that the score-driven framework is particularly suitable to recover the evolution of time-varying parameters and provides the required flexibility to model and forecast time series of counts characterized by convoluted nonlinear dynamics and structural breaks.} We study the asymptotic properties of the TV-PARX model and prove that, under mild conditions, maximum likelihood estimation (MLE) yields strongly consistent and asymptotically normal parameter estimates. Finite-sample performance and forecasting accuracy are evaluated through Monte Carlo simulations. The empirical usefulness of the time-varying specification of the proposed TV-PARX model is shown by analyzing the number of new daily COVID-19 infections in Italy and the number of corporate defaults in the US.