Parsimonious Parameterization of Vector Autoregressive Moving Average Models
向量自回归移动平均模型的简约参数化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：摘要以向量自回归移动平均过程的模型设定、简化结构和参数置零为核心，直接对应多变量时间序列建模。
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
向量自回归移动平均模型的简约参数化
- 研究问题
- 向量自回归移动平均模型如何在模型设定阶段识别可简化的结构，区分需估计参数与可置零参数，从而减轻参数过多的问题？
- 方法与思路
- 作者讨论分别来自工程与统计文献的两种模型设定方法，比较其揭示向量过程简化结构的作用，并提出设定统计量的修改。
- 材料陈述的贡献
- 摘要称两种方法能够揭示向量ARMA模型的简化结构，减少需要估计的参数，并提供方法比较、统计量修改建议和实例说明。
- 阅读关注点
- 核对两种方法如何识别零参数、识别结构的条件与样本误差影响，以及所建议统计量修改的依据和实例中的简约性证据。
- 阅读边界
- 摘要未给出具体算法、统计量公式或比较结果，因此不能判断参数缩减的普遍程度，也不能推断其预测或估计表现必然更优。
原文摘要
It is not uncommon to hear the complaint that there are many difficulties in building vector autoregressive moving average (ARMA) models, such as too many parameters in a model. In this article, I show that the complaint can be avoided if a proper method is used at the model-specification stage to obtain the detailed structure of the vector process under study. Two such methods, one from the engineering literature and the other from the statistical literature, are discussed. The beauty of these methods is that they can reveal the simplifying structure of a vector ARMA model and hence achieve parsimony in parameterization. More specifically, the simplifying structure can identify those parameters that require estimation and those that can be set to 0. The methods discussed, therefore, can substantially reduce the complexity involved in vector time series modeling. I also compare the two methods and suggest modifications of some model-specification statistics available in the literature. An example is given.