The Whittle likelihood for mixed models with application to groundwater level time series
混合模型的 Whittle 似然及其地下水位时间序列应用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：摘要直接讨论自相关时间序列的频域似然与参数估计，支持时间序列方法分类，其实际应用领域为地下水而非宏观经济。
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…
混合模型的 Whittle 似然及其地下水位时间序列应用
- 研究问题
- 面对具有固定均值和自相关随机误差的地下水位序列，如何降低混合模型联合参数估计的计算负担，并处理缺失与非高斯数据？
- 方法与思路
- 作者以频域 Whittle 准似然联合估计混合模型的全部参数，并在模拟与真实地下水数据中比较极大似然和分开估计参数的两阶段方法。
- 材料陈述的贡献
- 摘要称该方法可处理更大数据规模，对缺失和非高斯数据具有稳健性，并减少因计算成本而固定部分自由参数的需要。
- 阅读关注点
- 应核对频域近似的适用条件、缺失值处理方式、误差谱设定，以及联合估计的计算规模、估计误差和与两类基准的比较。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未界定稳健性的具体含义、允许的缺失机制或计算节省幅度。
原文摘要
Understanding the processes that influence groundwater levels is crucial for forecasting and responding to hazards such as groundwater droughts. Mixed models, which combine a fixed mean, expressed using independent predictors, with autocorrelated random errors, are used for inference, forecasting and filling in missing values in groundwater level time series. Estimating parameters of mixed models using maximum likelihood has high computational complexity. For large datasets, this leads to restrictive simplifying assumptions such as fixing certain free parameters in practical implementations. In this paper, we propose a method to jointly estimate all parameters of mixed models using the Whittle likelihood, a frequency-domain quasi-likelihood. Our method is robust to missing and non-Gaussian data and can handle much larger data sizes. We demonstrate the utility of our method both in a simulation study and with real-world data, comparing against maximum likelihood and an alternative two-stage approach that estimates fixed and random effect parameters separately.