A Note on Trend Removal Methods: The Case of Polynomial Regression versus Variate Differencing
趋势去除方法札记：多项式回归与差分法的比较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：摘要直接分析时间序列去趋势、随机游走、残差自相关与谱密度，因此归入时间序列方向。
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…
趋势去除方法札记：多项式回归与差分法的比较
- 研究问题
- 去除趋势时，一阶差分与线性最小二乘去趋势会怎样改变残差的自相关与频谱，且这种影响如何随原序列性质变化？
- 方法与思路
- 作者分别考察用一阶差分消除线性趋势、用线性回归处理随机游走，比较残差自相关及相对白噪声的谱密度。
- 材料陈述的贡献
- 摘要称，前者产生首阶相关为−0.50的平稳残差并强化高频，后者产生前几阶较大正相关并强化低频。
- 阅读关注点
- 核对线性趋势模型与随机游走的设定、残差相关结论的样本或总体含义，以及频谱比较所采用的条件和基准。
- 阅读边界
- 摘要未交代原序列噪声假设和推导条件；所述残差相关及频谱结论不能推广为任意序列去趋势的普遍规律。
原文摘要
This paper deals with the theoretical development of some aspects of the trend removal problem. The objective is to show the difference between the two most popular trend removal methods: first differences and linear least squares regression. On the one hand, we show that if first differences are used to eliminate a linear trend, the series of residuals would be stationary but would not be white noises as they contain a first lag autocorrelation of -0.50. Furthermore, the spectral density function (SDF) of these residuals relative to that of a white noise series would be exaggerated at the high frequency portion and attenuated at the low frequency portion. On the other hand, we show that the regression residuals from the linear detrending of a random walk series would contain large positive autocorrelations in the first few lags. Relative to that of white noises, the SDF of the regression residuals would be exaggerated at the low frequency portion and attenuated at the high frequency portion.