On some simple, autoregression-based estimation and identification techniques for ARMA models
基于自回归近似的 ARMA 模型简便估计与识别技术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：摘要直接研究 ARMA 时间序列的估计、阶数识别与公共因子检验。
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
基于自回归近似的 ARMA 模型简便估计与识别技术
- 研究问题
- 如何利用自回归近似的系数简便地估计和识别一般 ARMA 模型，并判断自回归与移动平均多项式是否因公共因子而包含冗余参数？
- 方法与思路
- 作者从过程的自回归近似系数构造矩阵，以其行列式分析公共因子与模型降阶，并通过模拟比较降阶统计量的有限样本与渐近分布。
- 材料陈述的贡献
- 摘要称该矩阵行列式为零是存在公共因子的充要条件，并报告所考察模拟中模型降阶检验统计量的经验分布与渐近分布较接近。
- 阅读关注点
- 应核对矩阵的构造、近似阶数选择及总体与样本条件的区别，并查看降阶统计量的归一化、临界值及模拟涵盖的参数区域。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；近似截断和检验正则条件未说明，模拟接近不能保证所有 ARMA 参数设置下的有限样本准确性。
原文摘要
We examine simple estimators for general ARMA models and a corresponding identification method. Both estimation and identification are based on a matrix formed from the coefficients of an autoregressive approximation to the process of interest. We show that a zero determinant of this matrix is necessary and sufficient for the existence of a common factor in autoregressive and moving average lag polynomials, and therefore for redundant parameters in the model. Simulation results suggest a close match between the empirical finite-sample distribution of the test statistic for model order reduction and its asymptotic distribution.