Modeling of Continuous Stochastic Processes from Discrete Observations with Application to Sunspots Data
由离散观测建模连续随机过程：太阳黑子数据应用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：摘要直接研究连续与离散 ARMA 过程及年度观测序列，属于时间序列方法。
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…
关注这篇论文的作者
由离散观测建模连续随机过程：太阳黑子数据应用
- 研究问题
- 如何利用等间隔离散观测估计连续时间自回归移动平均过程的参数，并将连续与离散模型的参数关系用于实际序列建模？
- 方法与思路
- 作者利用连续 ARMA 过程等间隔采样后得到离散 ARMA 过程的参数关系，构造连续参数的最大似然估计，并分析年度太阳黑子数据。
- 材料陈述的贡献
- 摘要称，论文给出由离散数据建模连续过程的技术及较简单的最大似然估计方法，并以 Wolfer 年度太阳黑子数展示应用。
- 阅读关注点
- 应核对连续与离散参数映射的条件、唯一性与可识别性，以及采样间隔、模型阶数和似然计算在太阳黑子应用中的处理。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明参数映射的唯一性、拟合结果或预测表现，不能判断经验优势。
原文摘要
Discretization of a continuous autoregressive moving average process at an equispaced sampling interval results in a discrete autoregressive moving average process. The relationship between the continuous and the discrete parameters yields a simple method of maximum likelihood estimation of the continuous parameters from a discretely sampled data. A technique is described for modeling of continuous processes from discrete observations and is illustrated with analysis of the yearly Wolfer's sunspot numbers data.