Miscellanea. Statistical analysis of incomplete long-range dependent data
杂论：不完整长程依赖数据的统计分析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：摘要直接讨论长记忆时间序列在数据不完整时的估计，以及数据缺口对短期和长期预测的影响。
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
杂论：不完整长程依赖数据的统计分析
- 研究问题
- 当具有长记忆的时间序列存在数据缺口时，如何开展估计与预测，缺口对短期和长期预测表现分别有什么影响？
- 方法与思路
- 作者通过状态空间模型计算估计值与预测值，研究数据缺口对不同期限预测的影响，并以尼罗河最低水位序列作示例。
- 材料陈述的贡献
- 摘要称文章同时处理不完整长记忆数据预测的理论与方法问题，并以具有强依赖性的实际水位序列展示这些技术。
- 阅读关注点
- 应核对长记忆过程的状态空间表示、数据缺口的处理方式与假设，并查看短期和长期预测误差的比较依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；缺失机制、模型规格和预测表现的具体结论未说明，水位示例不能支持一般推广。
原文摘要
This paper addresses both theoretical and methodological issues related to the prediction of long-memory models with incomplete data. Estimates and forecasts are calculated by means of state space models and the influence of data gaps on the performance of short and long run predictions is investigated. These techniques are illustrated with a statistical analysis of the minimum water levels of the Nile river, a time series exhibiting strong dependency.