Forecasting Performance of Structural Time Series Models
结构时间序列模型的预测表现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：摘要比较商业与经济时间序列模型的预测表现，并讨论频率、预测期限与季节性，直接对应时间序列和预测方向。
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
结构时间序列模型的预测表现
- 研究问题
- 结构时间序列模型相较于复杂程度相近的传统方法，预测准确性如何，其表现是否随数据频率、预测期限及季节性而变化？
- 方法与思路
- 作者使用111条商业与经济时间序列，将结构时间序列模型与四种复杂程度相近的方法比较，并考察频率、预测期限及季节性相关表现。
- 材料陈述的贡献
- 摘要称结构模型在年度、季度和月度数据上表现较好，长预测期及季节性数据尤为突出，并属较复杂方法中较准确者。
- 阅读关注点
- 阅读全文时应核对四种比较方法、模型设定、预测误差指标及评估设计，并检查不同频率、期限和季节性的分组结果。
- 阅读边界
- 摘要未提供各方法名称、误差数值或差异的不确定性，也未说明序列如何选取；其预测优势不能直接推广至其他数据与任务。
原文摘要
Although theoretical research on the properties of structural time-series models has regularly appeared in the literature, there is as yet scant evidence on the forecasting performance of structural models relative to more traditional methods. This study compares the empirical performance of structural time-series models to four methods that are similar in complexity using 111 business and economic time series. The structural approach appears to perform quite well on annual, quarterly, and monthly data, especially for long forecasting horizons and seasonal data. Of the more complex forecasting methods, structural models appear to be one of the most accurate.