A GARMA Framework for Unit-Bounded Time Series Based on the Unit-Lindley Distribution with Application to Renewable Energy Data
基于单位 Lindley 分布的单位区间时间序列 GARMA 框架及可再生能源应用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：摘要直接研究有界时间序列的 ARMA 型动态建模，并以电力占比预测为应用，支持时间序列与预测分类。
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…
基于单位 Lindley 分布的单位区间时间序列 GARMA 框架及可再生能源应用
- 研究问题
- 如何对取值严格位于零与一之间的连续时间序列建模，并结合协变量刻画动态条件均值、开展统计推断与预测？
- 方法与思路
- 作者提出观测驱动的单位 Lindley 条件分布模型，用类似 ARMA 的动态结构描述条件均值，并通过部分极大似然估计参数。
- 材料陈述的贡献
- 摘要称建立了支持区间估计、检验和预测的渐近理论，并以模拟及美国水电发电占比预测展示方法的适用性。
- 阅读关注点
- 应核对动态模型的稳定性、部分似然渐近理论所需条件，以及预测评价的样本划分、基准模型和边界观测处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明理论条件、模拟数值及预测比较细节，不能据此认定普遍优越。
原文摘要
The Unit-Lindley is a one-parameter family of distributions in $(0,1)$ obtained from an appropriate transformation of the Lindley distribution. In this work, we introduce a class of dynamical time series models for continuous random variables taking values in $(0,1)$ based on the Unit-Lindley distribution. The models pertaining to the proposed class are observation-driven ones for which, conditionally on a set of covariates, the random component is modeled by a Unit-Lindley distribution. The systematic component aims at modeling the conditional mean through a dynamical structure resembling the classical ARMA models. Parameter estimation in conducted using partial maximum likelihood, for which an asymptotic theory is available. Based on asymptotic results, the construction of confidence intervals, hypotheses testing, model selection, and forecasting can be carried on. A Monte Carlo simulation study is conducted to assess the finite sample performance of the proposed partial maximum likelihood approach. Finally, an application considering forecasting of the proportion of net electricity generated by conventional hydroelectric power in the United States is presented. The application show the versatility of the proposed method compared to other benchmarks models in the literature.