Modelling time series of counts with hysteresis
具有滞回机制的计数时间序列建模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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究非线性计数时间序列及其样本外预测表现。
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
具有滞回机制的计数时间序列建模
- 研究问题
- 如何在计数时间序列中纳入由实际控制因素驱动的滞回与状态切换，并区分滞回泊松自回归模型和既有缓冲阈值模型的动态机制？
- 方法与思路
- 作者扩展线性泊松自回归得到 HPART 模型，统一研究其与 BPART 的极大似然及渐近性质，并构造非嵌套假设检验和模拟评估。
- 材料陈述的贡献
- 摘要称新模型刻画具有科学含义的滞回机制，提供参数估计与非嵌套检验方法，并在两条实际时间序列中展示解释和样本外预测改善。
- 阅读关注点
- 核对控制因素如何进入状态切换、滞回与缓冲机制的区别，以及估计与检验的适用条件；检查预测比较是否使用相同信息集和评估窗口。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出控制因素、理论条件、实际数据细节或预测改善幅度，优势范围仍需全文核对。
原文摘要
In this article, we propose a novel model for time series of counts called the hysteretic Poisson autoregressive (HPART) model with thresholds by extending the linear Poisson autoregressive model into a nonlinear model. Unlike other approaches that bear the adjective ``hysteretic", our model incorporates a scientifically relevant controlling factor that produces genuine hysteresis. Further, we re-analyse the buffered Poisson autoregressive (BPART) model with thresholds. Although the two models share the convenient piecewise linear structure, the HPART model probes deeper into the intricate dynamics that governs regime switching. We study the maximum likelihood estimation of the parameters of both models and their asymptotic properties in a unified manner, establish tests of separate families of hypotheses for the non-nested case involving a BPART model and a HPART model, and demonstrate the finite-sample efficacy of parameter estimation and tests with Monte Carlo simulation. We showcase advantages of the HPART model with two real time series, including plausible interpretations and improved out-of-sample predictions.