Latent Gaussian Count Time Series
潜在高斯计数时间序列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：摘要直接研究平稳计数时间序列、相关结构和时间序列估计，并给出每周零售销量应用。
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…
潜在高斯计数时间序列
- 研究问题
- 如何为平稳计数时间序列同时指定灵活的边际分布和相关结构，并构造可用于参数与似然估计的计算方法？
- 方法与思路
- 作者用潜在高斯过程与分布变换生成计数序列，借助 Hermite 展开建立高斯伪似然和 Yule–Walker 估计，并采用粒子滤波估计似然。
- 材料陈述的贡献
- 摘要称该构造容许预先指定多类计数边际分布，提供估计方法及其与状态空间模型的联系，并以模拟和每周零售销量展示应用。
- 阅读关注点
- 应核对潜在高斯相关与计数相关之间的映射、可实现相关范围、Hermite 展开的近似，以及伪似然和粒子方法的计算误差。
- 阅读边界
- 仅依据 OpenAlex 索引摘要，稿件版本未注明；边际灵活不代表任意相关结构均可实现，估计理论及数值细节未展开，亦不能推断刊本变化。
原文摘要
This article develops the theory and methods for modeling a stationary count time series via Gaussian transformations. The techniques use a latent Gaussian process and a distributional transformation to construct stationary series with very flexible correlation features that can have any prespecified marginal distribution, including the classical Poisson, generalized Poisson, negative binomial, and binomial structures. Gaussian pseudo-likelihood and implied Yule–Walker estimation paradigms, based on the autocovariance function of the count series, are developed via a new Hermite expansion. Particle filtering and sequential Monte Carlo methods are used to conduct likelihood estimation. Connections to state space models are made. Our estimation approaches are evaluated in a simulation study and the methods are used to analyze a count series of weekly retail sales. Supplementary materials for this article are available online.