Robust estimation for ARMA models
ARMA 模型的稳健估计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 ARMA 时间序列模型的稳健估计与异常值处理。
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
ARMA 模型的稳健估计
- 研究问题
- 如何为 ARMA 模型构造稳健估计，使单个异常值的残差影响局限于发生期，同时保留一致性和可处理的渐近理论？
- 方法与思路
- 作者提出一类 M 估计，通过特殊的残差计算限制异常值影响，并以蒙特卡洛实验比较标准 M 估计和诊断程序估计。
- 材料陈述的贡献
- 摘要称，新估计与稳健滤波方法相关，具有一致性和较易处理的渐近理论，且在所做模拟中表现较好。
- 阅读关注点
- 应核对残差递推、异常值类型和影响限制机制，以及一致性条件、渐近结果与模拟中的污染设定和比较指标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要解读。摘要未提供理论条件或模拟数值，所述比较优势不能推广到所有异常值机制和 ARMA 设定。
原文摘要
This paper introduces a new class of robust estimates for ARMA models. They are M-estimates, but the residuals are computed so the effect of one outlier is limited to the period where it occurs. These estimates are closely related to those based on a robust filter, but they have two important advantages: they are consistent and the asymptotic theory is tractable. We perform a Monte Carlo where we show that these estimates compare favorably with respect to standard M-estimates and to estimates based on a diagnostic procedure.