论文部分内容阅读
时间序列分析作为一种重要的统计分析工具，在信号处理、金融经济、气象水文、社会生态、自动控制和军事科学等领域有着非常广泛的应用。它可以通过研究历史数据来揭示现象随时间发展变化的统计规律，进而使用该规律对现象的未来做出预测。在时间序列分析中，经常采用统计建模和参数估计等手段对观察数据进行处理。
计数时间序列是时间序列的一个重要分支，通常是按时间排序的一组某种事件或物体的计数。对计数时间序列的统计建模主要包含两类：状态空间模型和Thinning模型。我们在文中对两种模型和它们的一些分支进行了简单的介绍和分析。
作为Thinning模型分支之一的整值自回归模型是本文的主要研究内容。在文中，我们首先描述了整值自回归模型的一个特例：一阶观察驱动整值自回归(ODRCINAR(1))模型，并指出了该模型中可能存在的问题。随后我们对一阶随机系数整值自回归(RCINAR(1))模型进行了详细介绍，并提出了对该模型的参数进行估计的条件最小一乘估计方法CL1。最后我们使用数值模拟实验对提出的条件最小一乘估计方法的性能进行了验证，并将其结果与条件最小二乘估计的结果进行了比较。实验表明，我们提出的条件最小一乘估计是有效的并且有非常好的稳健性。