Overcoming Nonadmissibility in ARIMA-Model-Based Signal Extraction
克服基于 ARIMA 模型的信号提取中分解不可容许的问题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 ARIMA 时间序列分解、信号提取和结构时间序列模型。
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
克服基于 ARIMA 模型的信号提取中分解不可容许的问题
- 研究问题
- 基于 ARIMA 模型的信号提取在分解为正交平衡成分时出现不可容许性，能否通过改变成分模型来解决？
- 方法与思路
- 作者引入成分的 top-heavy 模型并推导相应分解，再通过常见模型类别和两个实证应用比较不同信号提取方案。
- 材料陈述的贡献
- 摘要称 top-heavy 分解能够解决所讨论的不可容许问题，并展示相应改善；实证比较包括近似模型、滤波与结构模型。
- 阅读关注点
- 应核对不可容许性的定义、top-heavy 成分的具体结构、分解成立条件，以及各比较方法的模型设定和评价标准。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，无法判断问题可被解决的完整模型范围、改善幅度或两个实证应用的具体结果。
原文摘要
We analyze the situation in which the decomposition of a time series into orthogonal balanced components as performed by the AR IMA-model-based (AMB) method is nonadmissible. We show that considering top-heavy models for the components can solve the problem. The top-heavy decomposition is derived and the improvement achieved is illustrated by an application to a class of models often encountered in practice. Two empirical applications allow us to draw a comparison with the results yielded by the AMB decomposition of an approximated model by using an ad hoc filter such as X11-ARIMA and by direct specification of the structural time series models.