Robust Trend Estimation for Strongly Persistent Data with Unobserved Memory
记忆未知的强持久性数据的稳健趋势估计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：摘要直接研究持久时间序列、分数整合趋势、不可观测成分模型与滤波。
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
记忆未知的强持久性数据的稳健趋势估计
- 研究问题
- 当序列具有强持久性，且持续周期波动掩盖趋势时，如何在不预先指定记忆程度的情况下进行趋势估计与滤波？
- 方法与思路
- 作者将不可观测成分模型推广至分数整合趋势，保留状态空间结构，并通过卡尔曼滤波优化问题的闭式解构造趋势估计。
- 材料陈述的贡献
- 摘要称贡献包括分数整合趋势的不可观测成分建模、较弱条件下的渐近估计理论，以及计算高效的趋势估计方法。
- 阅读关注点
- 应核对趋势与周期成分的可区分条件、记忆参数的估计范围、状态空间实现，以及闭式滤波解的计算与近似要求。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本解读；摘要未说明所谓较弱条件、稳健性的具体范围或数值表现，不能推断刊本变化。
原文摘要
Economic analysis is often based on pre-filtered, de-trended, or seasonally adjusted data. Underlying filtering methods make strong assumptions about the memory of the series to be filtered, and inference about the memory is limited particularly when persistent cyclical variation overshadows the trend. This paper introduces a data-driven method for filtering persistent series that requires no prior assumptions about the memory, thus is robust to the actual memory of the data. It makes three primary contributions: first, it generalizes unobserved components (UC) models to fractionally integrated trends, making prior assumptions about the trend memory redundant while retaining the advantages of the state space structure of UC models; second, it establishes the asymptotic estimation theory for fractional UC models under mild assumptions; and third, it presents a computationally efficient estimator for the trend by deriving the closed-form solution to the Kalman filter optimization problem.