Some Properties and Generalizations of Non-negative Bayesian Time Series Models
非负贝叶斯时间序列模型的性质与推广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：摘要同时研究非负时间序列的样本路径性质和一步预测分布的模型构造。
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…
非负贝叶斯时间序列模型的性质与推广
- 研究问题
- 非负贝叶斯时间序列模型的一步预测分布和样本路径受到哪些约束，这些性质是否会限制模型的实际适用性？
- 方法与思路
- 作者分析幂稳态模型及其推广，用概率理论与模拟研究路径行为，并据此构造直接指定预测分布的简单模型。
- 材料陈述的贡献
- 摘要称，原模型约束预测位置与离散程度；某类推广模型的路径在温和条件下几乎必然趋于常数，并据此提出替代方案。
- 阅读关注点
- 阅读时应核对位置与离散程度约束的形式、路径收敛条件、尺度参数的作用，以及直接指定预测分布的模型及应用。
- 阅读边界
- 仅据所给 Crossref 摘要；具体收敛条件与应用效果未说明，不能把路径趋于常数的结论扩展到所有非负贝叶斯时间序列。
原文摘要
Summary We study the most basic Bayesian forecasting model for exponential family time series, the power steady model (PSM) of Smith, in terms of observable properties of one-step forecast distributions and sample paths. The PSM implies a constraint between location and spread of the forecast distribution. Including a scale parameter in the models does not always give an exact solution free of this problem, but it does suggest how to define related models free of the constraint. We define such a class of models which contains the PSM. We concentrate on the case where observations are non-negative. Probability theory and simulation show that under very mild conditions almost all sample paths of these models converge to some constant, making them unsuitable for modelling in many situations. The results apply more generally to non-negative models defined in terms of exponentially weighted moving averages. We use these and related results to motivate, define and apply very simple models based on directly specifying the forecast distributions.