Maximum likelihood estimation of regression models with autoregressive-moving average disturbances
具有ARMA扰动的回归模型的最大似然估计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ARMA扰动回归及Kalman滤波，并明确讨论未来因变量预测，对应时间序列与预测方法。
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
具有ARMA扰动的回归模型的最大似然估计
- 研究问题
- 回归扰动服从ARMA过程时，如何避免直接计算并求逆扰动协方差矩阵，同时完成参数估计、预测和模型诊断？
- 方法与思路
- 作者将回归模型改写为适合Kalman滤波的形式，利用滤波计算广义最小二乘估计、未来预测及精确最大似然估计。
- 材料陈述的贡献
- 摘要称滤波可免去扰动协方差矩阵的直接求逆，并为精确似然估计提供算法基础；滤波残差可能用于模型诊断。
- 阅读关注点
- 应核对模型的滤波表示、初始状态处理、精确似然定义，以及预测误差和滤波残差如何用于诊断与方法比较。
- 阅读边界
- 来源为未注明稿件版本的OpenAlex索引摘要。摘要仅称可能具有计算和理论优势，未提供比较结果，也未说明初始化与误差分布条件。
原文摘要
The regression model with autoregressive-moving average disturbances may be cast in a form suitable for the application of Kalman filtering techniques. This enables the generalized least squares estimator to be calculated without evaluating and inverting the covariance matrix of the disturbances. The problem of forecasting future values of the dependent variable is also effectively solved when the Kalman filter technique is applied. Furthermore, the properties of the residuals produced by the filter suggest that they may be useful for diagnostic checking of the model. The Kalman filter algorithm also forms the basis of a method for the exact maximum likelihood estimation of the model. This may well have computational, as well as theoretical, advantages over other methods.