Fractional differencing
分数阶差分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：摘要明确扩展 ARIMA 模型并研究时间序列的长期依赖与短期动态。
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
分数阶差分
- 研究问题
- 如何扩展传统自回归积分移动平均模型，使同一时间序列模型能够同时刻画短期动态与长期持续性或反持续性？
- 方法与思路
- 作者允许差分阶数取分数值，以后移算子的无穷二项式级数定义分数阶差分算子，并构造相应的时间序列过程。
- 材料陈述的贡献
- 摘要称分数阶差分过程可表现长期持续性与反持续性，相较既有长期持续性模型，更灵活地同时描述短期和长期行为。
- 阅读关注点
- 阅读全文时应核对级数定义的成立条件、不同差分阶数对应的过程性质，以及长期依赖与短期动态如何共同进入模型。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，具体参数范围、平稳性条件与估计方法均未说明，不能据此判断应用表现。
原文摘要
The family of autoregressive integrated moving-average processes, widely used in time series analysis, is generalized by permitting the degree of differencing to take fractional values. The fractional differencing operator is defined as an infinite binomial series expansion in powers of the backward-shift operator. Fractionally differenced processes exhibit long-term persistence and antipersistence; the dependence between observations a long time span apart decays much more slowly with time span than is the case with the more commonly studied time series models. Long-term persistent processes have applications in economics and hydrology; compared to existing models of long-term persistence, the family of models introduced here offers much greater flexibility in the simultaneous modelling of the short-term and long-term behaviour of a time series.