Generalized Autoregressive Multivariate Models: From Binary to Poisson
广义自回归多变量模型：从二元过程到泊松过程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：摘要直接研究二元与泊松自回归时间序列；网络互动只是模型容纳的特征。
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
广义自回归多变量模型：从二元过程到泊松过程
- 研究问题
- 如何为具有非线性、网络互动和横截面依赖的二元时间序列建模，并解释其聚合后与泊松自回归的联系？
- 方法与思路
- 作者让伯努利成功概率依赖过去结果及概率，用耦合论证平稳解，并研究稀有事件缩放下的聚合极限与极大似然估计。
- 材料陈述的贡献
- 摘要称建立平稳解存在唯一性，并证明二元过程聚合在稀有事件缩放下趋向泊松自回归，为计数模型提供微观基础。
- 阅读关注点
- 核对动态概率的约束、耦合论证条件、稀有事件缩放及收敛方式，并检查 S&P 100 应用的变量构造和估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未给具体平稳性条件、缩放细节或估计性质，不能据应用推断预测优势。
原文摘要
This paper presents a framework for binary autoregressive time series in which each observation is a Bernoulli variable whose success probability evolves with past outcomes and probabilities, in the spirit of GARCH-type dynamics, accommodating nonlinearities, network interactions, and cross-sectional dependence in the multivariate case. Existence and uniqueness of a stationary solution is established via a coupling argument tailored to the discontinuities inherent in binary data. A key theoretical result, further supported by our empirical illustration on S&P 100 data, shows that, under a rare-events scaling, aggregates of such binary processes converge to a Poisson autoregression, providing a micro-foundation for this widely used count model. Maximum likelihood estimation is proposed and illustrated empirically.