در این مقاله، مروری جامع و تحلیلی-مقایسه‌ای بر روش‌های برآوردیابی مدل‌های خودبازگشتی متناوب با نوآور‌هایی از نوع توزیع ترکیبی مقیاسی چوله نرمال ارائه می‌شود؛ این خانواده توزیعی، چارچوبی انعطاف‌پذیر برای مدل‌سازی داده‌های متقارن و نامتقارن فراهم می‌سازد. در این راستا، الگوریتم‌های ECM برای توسعه سه روش برآوردیابی که شامل برآوردیابی درست‌نمایی بیشینه، برآوردیابی بیشینه احتمال پسین، و برآوردیابی بیزی به‌کار گرفته شده‌اند. کارایی این روش‌ها از طریق مطالعات شبیه‌سازی مورد ارزیابی قرار گرفته و ویژگی‌های مجانبی، استواری در برابر داده‌های پرت، قله‌های شدید و دم‌های سنگین مورد توجه ویژه قرار گرفته‌اند. همچنین، به‌منظور بررسی کاربرد عملی مدل پیشنهادی، از این روش‌ها برای مدل‌سازی سری زمانی ماهانه قیمت سهام شرکت گوگل استفاده شده است.