On the Use of Marginal Likelihood in Time Series Model Estimation
边际似然在时间序列模型估计中的运用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：摘要明确涉及 ARIMA 误差的时间序列回归，并将季节预测列为应用场景。
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
边际似然在时间序列模型估计中的运用
- 研究问题
- 在误差服从 ARIMA 型模型的时间序列回归中，如何缓解回归拟合造成的误差参数偏差与模型选择错误？
- 方法与思路
- 作者考虑以边际似然处理回归拟合对误差模型估计的影响，并通过趋势估计、季节预测和混合谱分析示例说明。
- 材料陈述的贡献
- 摘要指出回归拟合及最小残差方差选模可能造成问题，并将边际似然作为解决途径在多类时间序列任务中展示。
- 阅读关注点
- 阅读全文时应核对边际似然如何构造、回归参数如何处理，以及偏差和选模错误在何种样本与模型下出现。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明边际似然的具体形式、改善程度或适用条件，不能认定它在所有情形下消除偏差。
原文摘要
SUMMARY In the context of time series regression, with an error model of the ARIMA type, the fitting of the regression can seriously bias the ARIMA model parameter estimates. Moreover, choosing between different error models on the basis of the smallest residual variance may lead to incorrect selection with a high probability, even in samples of moderate size. The marginal likelihood procedure is considered as a solution to these problems and examples are presented in the context of trend estimation, seasonal forecasting and mixed spectrum analysis.