混合INAR(p)模型：离散值时间序列的统计分析与预测优化

本文主要探讨了基于混合INAR(p)模型的离散值时间序列统计分析方法，由重庆大学数学与统计学院的闵祥晖和荣腾中两位作者提出。INAR(p)模型，即自回归包含负指数分布过程，是一种用于处理非负整数时间序列的数据分析工具，它在经济学、金融学等领域有广泛应用，特别是在处理具有自相关性和随机波动的离散数据时尤为有效。 作者们在此研究中创新性地结合了Pegram混合算子和Thinning算子模型，这两大模型在时间序列分析中分别擅长处理自相关性和离散性特征。混合模型的优势在于能更全面地捕捉数据的复杂动态，尤其是在非负整数时间序列中，这种特性显得尤为重要。他们拓展了传统的平稳非负整值模型，构建了一个p阶非负整值混合算子模型，旨在提供一个更为精确和适应性强的分析框架。 通过模拟研究，研究者验证了新模型的有效性，其能够准确地刻画数据的自相关结构，并利用Yule-Walker方程进行参数估计。文章深入探讨了模型的参数性质和回归性质，这对于理解模型行为和优化参数设置至关重要。通过模拟数据的比较，结果显示该模型的预测性能明显优于现有的Thinning算子模型，能够更准确地预测离散值时间序列的短期变化趋势。 关键词包括时间序列分析、INAR模型、Pegram算子、Thinning算子以及混合模型，这些词汇都揭示了文章的核心研究内容。此外，文章被归类为统计分析领域，特别是针对离散值数据的处理，具有较高的学术价值。 这篇首发论文对于离散值时间序列的统计分析方法有重要贡献，不仅提升了模型的适用性，还为实际问题提供了更为精确的预测工具，对后续的理论研究和应用实践具有积极的推动作用。