The exact likelihood of an autoregressive-moving average model with incomplete data
不完整数据下自回归移动平均模型的精确似然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：摘要明确以ARMA模型的精确似然和非平稳、向量模型扩展为研究对象。
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
不完整数据下自回归移动平均模型的精确似然
- 研究问题
- 当自回归移动平均模型的观测数据不完整时，如何有效计算精确似然，并在何种计算情形下优于卡尔曼滤波？
- 方法与思路
- 作者构造一种变换来提高不完整数据下精确似然的计算效率，以运行时间进行比较，并讨论非平稳及向量模型扩展。
- 材料陈述的贡献
- 摘要称新方法在许多情形下的运行时间优于卡尔曼滤波，并讨论更广模型的扩展，但未给出具体时间或适用规模。
- 阅读关注点
- 应核对变换的具体形式、缺失观测的处理方式、似然初始化，以及计时比较的模型规模、缺失模式和实现条件。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要，无法判断缺失机制要求、计算复杂度与速度优势范围，也不能确认扩展的完整结果。
原文摘要
A transformation is developed which allows computationally efficient evaluation of the exact likelihood of an autoregressive-moving average model with incomplete data. Timings are presented which indicate that the new method is preferable to the Kalman filter in many instances. Extensions to nonstationary and vector models are discussed.