Parameterization of Continuous Time Autoregressive Models for Irregularly Sampled Time Series Data
不规则采样时间序列的连续时间自回归模型参数化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：摘要明确研究不规则采样、连续时间自回归模型及频谱分析，直接对应时间序列方法。
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…
不规则采样时间序列的连续时间自回归模型参数化
- 研究问题
- 针对不规则采样时间序列，如何改进连续时间自回归模型的参数化，使参数估计与阶数选择更易实施，并用于周期性分析？
- 方法与思路
- 作者基于 Cayley–Hamilton 变换重新参数化随机微分方程系数，使参数空间对应离散时间自回归模型，并加入指定移动平均项。
- 材料陈述的贡献
- 摘要称，新构造改善参数估计的收敛，并可通过检验最高阶系数是否为零选择阶数；地球物理和医学案例展示了频谱周期检测。
- 阅读关注点
- 应核对变换的具体定义与参数空间对应关系、移动平均项的设定，以及阶数检验条件和不规则采样下频谱解释的有效性。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明收敛改善的比较条件、阶数检验分布及周期检测结果，不能推广为所有采样设计下的保证。
原文摘要
SUMMARY An increasingly valuable tool for modelling irregularly sampled time series data is the continuous time autoregressive model. The natural parameters in this model are the coefficients of the linear stochastic differential equation describing the process which gives rise to the data. A transformation of these parameters is introduced, based on the Cayley–Hamilton transformation. The new parameter space is identical with that of discrete time autoregressive models. The model is also modified by the introduction of prescribed moving average terms. The resulting modelling improvements include rapid and reliable convergence of parameter estimates and the ability to select the model order by testing whether the highest order coefficient is 0. A geophysical and a medical application illustrate the detection of periodicities in data by using the spectrum of the fitted model.