An Exact Maximum Likelihood Estimation Procedure for Regression- ARMA Time Series Models with Possibly Nonconsecutive Data
允许非连续观测的回归—ARMA时间序列模型精确极大似然估计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：摘要明确研究ARMA时间序列误差与非连续观测下的似然估计，直接对应时间序列方向。
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
允许非连续观测的回归—ARMA时间序列模型精确极大似然估计
- 研究问题
- 当回归误差服从ARMA过程且观测时间可能不连续时，如何计算精确似然及其导数，并求得模型参数的极大似然估计？
- 方法与思路
- 作者以新息变换构造似然及相关导数的显式递推，使用这些量建立修正Newton–Raphson算法，并给出加权非线性最小二乘解释。
- 材料陈述的贡献
- 摘要提出可处理非连续数据的精确极大似然计算程序，提供似然与导数递推、估计迭代方法及数值示例来展示实现。
- 阅读关注点
- 应核对非连续观测的表示、新息初始化与递推、参数约束和迭代收敛规则，并查看精确似然与最小二乘解释的对应关系。
- 阅读边界
- 仅依据所给Crossref摘要；摘要未说明误差分布、初始化条件和示例结果，不能把精确似然计算等同于无条件找到全局最优。
原文摘要
SUMMARY An explicit procedure is given to obtain the exact maximum likelihood estimates of the parameters in a regression model with ARMA time series errors with possibly nonconsecutive data. The method is based on an innovation transformation approach from which an explicit recursive procedure is derived for the efficient calculation of the exact likelihood function and associated derivatives. The innovations and associated derivatives are used to develop a modified Newton-Raphson procedure for computation of the estimates. A weighted nonlinear least squares interpretation of the estimator is also given. A numerical example is provided to illustrate the method.