Understanding Exponential Smoothing Via Kernel Regression
通过核回归理解指数平滑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：摘要直接研究时间序列的指数平滑预测及其渐近性质。
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
通过核回归理解指数平滑
- 研究问题
- 如何从非参数回归角度理解指数平滑预测，并借助核回归理论解释其表现及建立预测量的渐近性质？
- 方法与思路
- 作者把指数平滑放入非参数回归框架，利用核回归领域的理论分析预测量；摘要同时介绍按历史一步预测残差选择平滑因子的惯例。
- 材料陈述的贡献
- 摘要称，这一解释提供了理解指数平滑表现的新视角，并首次借助核回归理论推导指数平滑预测量的渐近性质。
- 阅读关注点
- 应核对指数权重与核回归的对应关系、平滑因子的渐近设定及时间序列条件，并查看数据选参是否纳入预测理论。
- 阅读边界
- 仅据所给 Crossref 摘要；具体渐近结论、适用序列和误差比较未说明，“首次”属于作者陈述，不能据此推断其他版本变化。
原文摘要
Summary Exponential smoothing is the most common model-free means of forecasting a future realization of a time series. It requires the specification of a smoothing factor which is usually chosen from the data to minimize the average squared residual of previous one-step-ahead forecasts. In this paper we show that exponential smoothing can be put into a nonparametric regression framework and gain some interesting insights into its performance through this interpretation. We also use theoretical developments from the kernel regression field to derive, for the first time, asymptotic properties of exponential smoothing forecasters.