Exponentially weighted estimands and the exponential family: Filtering, prediction and smoothing
指数加权目标与指数族：滤波、预测和平滑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：摘要明确构造时间序列的滤波、预测和平滑方法，并推导其递推形式。
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
指数加权目标与指数族：滤波、预测和平滑
- 研究问题
- 如何通过带折扣的似然目标统一构造时间序列滤波器、预测器和平滑器，并在典范指数族中获得简洁的递推形式？
- 方法与思路
- 作者对对数似然及其期望的凸组合进行折扣加权，通过最大化相应目标构造滤波、预测和平滑，并推导指数族情形。
- 材料陈述的贡献
- 摘要称，典范指数族下可得到具有线性递推的简单精确滤波、预测和平滑方法，同时建立理论并用模拟及真实数据说明。
- 阅读关注点
- 应核对期望对数似然的计算依据、折扣参数的作用、精确递推成立的模型范围，以及滤波、预测和平滑目标的区别。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明理论条件或具体数据，不能判断预测精度及模型稳健性。
原文摘要
We propose using a discounted version of a convex combination of the log-likelihood with the corresponding expected log-likelihood such that when they are maximized they yield a filter, predictor and smoother for time series. This paper then focuses on working out the implications of this in the case of the canonical exponential family. The results are simple exact filters, predictors and smoothers with linear recursions. A theory for these models is developed and the models are illustrated on simulated and real data.