Temporal Disaggregation: Methods, Information Loss, and Diagnostics
低频时间序列的高频拆分：方法、信息损失与诊断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：摘要明确讨论低频时间序列的拆分、时间聚合造成的信息损失与状态空间建模，直接对应时间序列方法方向。
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
低频时间序列的高频拆分：方法、信息损失与诊断
- 研究问题
- 如何将低频时间序列拆分为更高频序列，并衡量时间聚合造成的信息损失，使拆分结果具有可操作的评价和诊断依据？
- 方法与思路
- 作者提出两阶段框架：先通过线性回归利用相关解释变量，再用状态空间模型拆分回归残差；通过蒙特卡洛模拟和两个实证研究验证。
- 材料陈述的贡献
- 摘要称，该框架统一时间拆分与性能评价，并通过分析时间聚合的影响、度量信息损失，提供评估拆分表现的实践标准。
- 阅读关注点
- 应核对高低频数据的对应关系与聚合约束、解释变量的频率、状态空间设定，以及信息损失指标如何连接实际拆分误差。
- 阅读边界
- 摘要未说明信息损失指标的定义、回归和状态空间模型的条件，也未列出模拟及两项实证的结果，尚不能判断方法精度或优越性。
原文摘要
Duk B. Juna, Jihwan Moonb & Sungho Parkca KAIST, College of Business, Seoul, Republic of Korea b Warrington College of Business, University of Florida, Gainesville, FL 32611 c W.P. Carey School of Business, Arizona State University, Tempe, AZ 85287 This research provides a generalized framework to disaggregate lower-frequency time series and evaluate the disaggregation performance. The proposed framework combines two models in separate stages: a linear regression model to exploit related independent variables in the first stage and a state–space model to disaggregate the residual from the regression in the second stage. For the purpose of providing a set of practical criteria for assessing the disaggregation performance, we measure the information loss that occurs during temporal aggregation while examining what effects take place when aggregating data. To validate the proposed framework, we implement Monte Carlo simulations and provide two empirical studies. Supplementary materials for this article are available online.