A Unified Approach to Identifying Multivariate Time Series Models
多元时间序列模型识别的统一方法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：摘要直接研究多元线性时间序列、协整与不可逆结构，符合时间序列方向，但未明确涉及结构冲击分析。
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
多元时间序列模型识别的统一方法
- 研究问题
- 如何同时识别多元线性时间序列系统的Kronecker指数与模型参数，并容纳协整或不可逆的序列结构？
- 方法与思路
- 作者提出贝叶斯程序，结合随机搜索变量选择与MCMC，将初始值和创新纳入参数，并考虑Kronecker指数所规定的向量模型行结构。
- 材料陈述的贡献
- 摘要称，该程序统一处理模型结构与参数识别，可考虑协整或不可逆序列，并通过模拟和真实示例展示及讨论与既有方法的比较。
- 阅读关注点
- 阅读全文时应核对Kronecker指数的定义、先验与搜索空间、初始值和创新的处理，以及协整或不可逆情形下的识别和计算表现。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明先验、识别条件、比较结果或预测表现，不能据此声称优于既有方法。
原文摘要
This article proposes a Bayesian procedure for simultaneous identification of the Kronecker indices and model parameters of a multivariate linear system. The model parameters include the starting values and innovations of the system so that the series considered may be co-integrated or non-invertible. The procedure uses some recent developments in stochastic search variable selection in linear regression analysis and Markov chain Monte Carlo methods in statistical computing. It also takes into consideration the row structure of a vector model implied by the Kronecker indices. Comparison with other existing methods is discussed. Simulated and real examples are used to illustrate the proposed procedure.