Computation of the exact information matrix of Gaussian dynamic regression time series models
高斯动态回归时间序列模型精确信息矩阵的计算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：摘要明确讨论动态回归、ARMA 误差、传递函数及 Kalman 递推，直接属于时间序列方法。
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
高斯动态回归时间序列模型精确信息矩阵的计算
- 研究问题
- 研究如何计算一大类高斯单输入单输出时间序列模型的精确 Fisher 信息矩阵，涵盖误差自相关的动态回归及带 ARMA 误差的传递函数模型。
- 方法与思路
- 作者结合两种递推：状态向量对参数导数的协方差递推，以及计算似然所用的快速 Kalman 滤波递推，并给出渐近信息矩阵表达式。
- 材料陈述的贡献
- 摘要称，该计算方法比已有程序快得多，并同时提供精确与渐近信息矩阵的处理；摘要未给出速度提升幅度及适用条件的完整表述。
- 阅读关注点
- 应核对状态空间表示、初始化方式、参数导数递推和计算复杂度，特别关注“精确”信息矩阵的定义及速度比较所采用的模型与基准。
- 阅读边界
- 仅据稿件版本未注明的索引摘要；无法判断完整模型限制、数值稳定性及速度优势的范围，也不能推断其他版本的变化。
原文摘要
In this paper, the computation of the exact Fisher information matrix of a large class of Gaussian time series models is considered. This class, which is often called the single-input–single-output (SISO) model, includes dynamic regression with autocorrelated errors and the transfer function model, with autoregressive moving average errors. The method is based on a combination of two computational procedures: recursions for the covariance matrix of the derivatives of the state vector with respect to the parameters, and the fast Kalman filter recursions used in the evaluation of the likelihood function. It is much faster than existing procedures. An expression for the asymptotic information matrix is also given.