Exact Likelihood of Vector Autoregressive-Moving Average Process with Missing or Aggregated Data
存在缺失或聚合数据时向量ARMA过程的精确似然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：题名与摘要明确涉及ARMA过程、卡尔曼滤波及缺失或聚合时间序列的似然计算。
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
存在缺失或聚合数据时向量ARMA过程的精确似然
- 研究问题
- 当自回归移动平均过程的观测带有噪声，且部分数据缺失或被聚合时，如何计算该观测序列的精确似然？
- 方法与思路
- 作者指出，可采用具有非恒定系数的卡尔曼滤波处理观测噪声、缺失与聚合，并据此计算过程的精确似然。
- 材料陈述的贡献
- 摘要所述贡献是给出一种处理不完整或聚合时间序列的似然计算途径，核心工具为非恒定系数卡尔曼滤波。
- 阅读关注点
- 应核对状态空间表示、聚合观测的映射、初始状态处理，以及“精确似然”所依赖的分布和参数条件。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要极简，未提供向量情形细节、初始化方式、分布条件或计算性能。
原文摘要
This note points out that by using the Kalman filter with nonconstant coefficients, we can compute the exact likelihood of an autoregressive-moving average process observed with noise, when some of our observations are either missing or aggregated.