Efficient Computation of Hierarchical Trends
层级趋势的高效计算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：摘要使用状态空间模型和卡尔曼滤波估计住房价格的局部与总体趋势，文本直接支持时间序列方向。
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…
关注这篇论文的作者
层级趋势的高效计算
- 研究问题
- 如何在大规模住房售价数据库中同时刻画局部趋势、总体趋势与房屋特征，并以可实现的程序估计重复测量状态空间模型？
- 方法与思路
- 作者将模型分为两部分：先对去均值数据做普通最小二乘回归，为系数提供先验，再用卡尔曼滤波估计趋势与参数。
- 材料陈述的贡献
- 摘要提出衔接去均值回归与卡尔曼滤波的计算程序，并借此展示卡尔曼滤波的贝叶斯解释；未报告计算效率的量化比较。
- 阅读关注点
- 应核对模型分解所需条件、去均值步骤与先验构造的关系，以及滤波如何区分不同层级趋势、处理参数和计算复杂度。
- 阅读边界
- 摘要未说明数据库规模、状态与误差设定、先验不确定性的传递方式，也未报告精度或运行时间，不能判断实际效率优势。
原文摘要
To model a large database containing selling prices for houses, in which local trends, general trends, and specific characteristics play a role, we derived a new procedure to implement a state-space model for repeated measurements. The original model is decomposed into two parts, which are treated differently. The first part is ordinary least squares on data in deviation from means. This step provides a prior for coefficients to be used in the second step, which is a Kalman filter, providing estimates of the trends and the parameters. The procedure exploits and illustrates the Bayesian interpretation of a Kalman filter.