A new class of functional conditional autoregressive models
New York University(纽约大学)
本文提出了一种新的条件自回归模型,用于空间依赖的功能数据,通过给定邻近功能观测的条件均值进行建模,并通过协方差算子和空间依赖参数进行表征。研究方法包括估计协方差算子、估计空间依赖参数以及应用新的基于轮廓的方法。理论结果证明了协方差估计器的一致性和空间依赖参数估计器的超一致性,为功能数据的空间依赖性提供了新的统计推断方法。
2026-07-03 stat.ME
Estimation of the Parameters of Vector Autoregressive (VAR) Time Series Model with Symmetric Stable Noise
本文提出了估计具有对称稳定噪声的$p$、$p\geq 1$阶向量自回归过程参数的分数低阶协方差方法。此外,我们通过蒙特卡罗模拟的效率,准确性和简单的方法。
2021-04-15 stat.ME
Modelling corporate defaults: A Markov-switching Poisson log-linear autoregressive model
本文扩展了自回归计数时间序列模型类,允许一个模型的政权,也就是说,在模型中的一些参数依赖于一个未观察到的马尔可夫链的状态。我们开发了一个准极大似然估计,通过调整扩展的Hamilton-Grey算法的Poisson对数线性自回归模型,我们进行了模拟研究,以检查有限样本的估计行为。该模型的动机来自于对公司违约的研究,特别是对违约集群的研究。我们提供的证据表明,时间序列的计数,美国每月的公司违约由两个制度和所谓的传染效应,即当前的违约影响其他公司在未来违约的概率,是目前在这些制度之一,即使在控制金融和经济协变量。我们进一步发现的协变量的影响是不同的两个制度的证据。我们的研究结果意味着,在违约计数过程中的传染的概念是时间依赖的,因此比以前认为的更具动态性。
2018-04-24 stat.ME
Sparse Identification and Estimation of Large-Scale Vector AutoRegressive Moving Averages
向量自回归移动平均(VARMA)模型是多元时间序列理论的基础;然而,可识别性问题导致从业者放弃它,转而使用更简单但更具限制性的向量自回归(VAR)模型。我们缩小了这一差距,一个新的优化为基础的方法,以VARMA识别建立在简约的原则。在所有等价的数据生成模型中,我们使用凸优化来寻求在某种意义上“最简单”的参数化。一个用户指定的强凸惩罚用于衡量模型的简单性,然后使用相同的惩罚来定义一个可以有效计算的估计。我们建立我们的估计在双渐近制度的一致性。我们的非渐近误差界分析,可容纳模型规格和参数估计步骤,一个功能,是研究大规模VARMA算法的关键。我们的分析也提供了新的结果,惩罚估计的无穷阶VAR,和弹性网回归下的奇异协方差结构的回归,这可能是独立的利益。我们说明了我们的方法的优势VAR替代品上的三个真实数据的例子。
2021-06-08 stat.ME
Bootstrap Based Inference for Sparse High-Dimensional Time Series Models
将稀疏模型拟合到高维时间序列是统计推断的一个重要领域。在本文中,我们考虑稀疏向量自回归模型和发展适当的自助方法来推断这样的过程的属性。我们的引导方法产生伪时间序列使用基于模型的引导程序,其中涉及一个估计,稀疏版本的基础向量自回归模型。使用自回归模型参数的所谓去稀疏或去偏估计量进行推断。我们推导出这种估计量的渐近分布在时间序列的上下文中,并建立渐近有效性的自助程序提出的估计,并适当修改,用于测试的目的。特别是,我们专注于测试,大组的自回归系数等于零。我们的理论结果是补充模拟研究有限样本性能的自举方法。一个真实的数据应用程序。
2019-09-24 stat.ME
Integer-valued autoregressive models with survival probability driven by a stochastic recurrence equation
提出了一类新的具有动态生存概率的整数值自回归模型。这类模型的特点在于通过随机递归方程的生存概率的规格。模型的估计可用极大似然方法进行,并证明了在错误设定的模型下估计量的相合性。所提出的规范的灵活性说明了在模拟研究。应用到犯罪报告的时间序列。结果表明,动态生存概率可以提高样本内和样本外的整数值自回归模型的性能。
2016-09-07 stat.ME
Comparisons of Hyvärinen and pairwise estimators in two simple linear time series models
本文的目的是数值比较的性能的两个估计的基础上Hyvärinen的局部齐次评分规则的充分和成对的极大似然估计。特别是,两个不同的模型设置,完全和成对的极大似然估计,可以得到,已被认为是:一阶自回归模型(AR(1))和移动平均模型(MA(1))。模拟研究突出了非常不同的行为Hyvärinen评分规则估计相对于成对似然估计在这两种设置。
2014-09-12 stat.ME
Quantile Social Autoregressive Model
Renmin University of China(中国人民大学);Southwestern University of Finance and Economics(西南财经大学);University of California, Davis(加州大学戴维斯分校)
针对线性均值模型无法捕捉极端同伴行为影响的问题,提出基于分位数社会规范的分位数社会自回归模型,通过数据估计分位数水平并引入核平滑矩条件,实现有效推断与实证应用。
2026-10-02 stat.ME
Autoregressive Functions Estimation in Nonlinear Bifurcating Autoregressive Models
分叉自回归过程可以看作是二叉树结构自回归过程的一种自适应,在过去的十年中,在参数背景下得到了广泛的研究。在这项工作中,我们不指定任何先验形式的两个自回归函数,我们使用非参数技术。研究了自回归函数的Nadaraya-Watson型估计的非渐近性和渐近性。我们建立我们的估计观察的过程中表示为Tn的有限子树,深度为n。估计达到经典率|Tn| - $β$ /(2 $β$ +1)在二次损失H{<$}lder类的平滑。我们证明了算法的几乎必然收敛性,给出了选择最优带宽时的偏差表达式和中偏差原理的渐近正态性。我们的证明依赖于用于研究分叉马尔可夫链的特定技术。最后,我们解决了不对称的问题,并开发了一个渐近检验的平等的两个自回归函数。
2016-02-11 math.ST stat.TH
A Functional Coefficients Network Autoregressive Model
本文提出函数系数网络自回归(FCNAR)模型,通过结合节点自身与邻居的过去值非线性地分析多元时间序列,解决了重尾误差下的稳定性与参数推断问题,并经合成与空气污染数据验证了其有效性。
2024-02-12 stat.ME
Spline-backfitted kernel forecasting for functional-coefficient autoregressive models
我们提出了三种方法预测的时间序列建模使用函数系数自回归模型(FCAR)通过样条回拟合局部线性(SBLL)平滑拟合。这三种方法分别是“朴素”插件方法、引导方法和多阶段方法。本文给出了FCAR模型的SBLL估计方法的渐近结果,并证明了估计量是有效的。通过仿真对三种预测方法进行了比较。我们发现,天真的方法执行以及多级方法,甚至在某些情况下优于它。我们适用于天真和多阶段的方法,太阳辐照度的数据和比较预测的基础上,我们的方法的线性AR模型,最常用的太阳能文献中的模型。
2015-02-13 stat.ME
Identification-robust moment-based tests for Markov-switching in autoregressive models
本文研究了具有马尔可夫转换均值和方差的自回归模型的线性原假设检验问题。这些测试是强大的识别失败,困扰传统的基于似然的推理方法。该方法利用了正态混合物的时刻所隐含的政权切换过程,并使用蒙特卡罗测试技术来处理存在的自回归组件的模型规格。与Carrasco,Hu和Ploberger(2014)的马尔可夫开关参数的最佳测试相比,所提出的测试具有非常可观的功率,并且由于其计算简单,它们也非常有吸引力。新的测试说明了美国产出增长的自回归模型的实证应用。
2016-12-30 stat.ME
A Scalable MCEM Estimator for Spatio-Temporal Autoregressive Models
非常大的时空格点数据在各种学科中变得越来越普遍。然而,在大面积数据集中估计跨空间和时间的相互依赖性仍然具有挑战性,因为现有方法通常(i)不可扩展,(ii)针对条件高斯结果数据设计,或(iii)限于横截面和单变量结果。本文提出了一个潜在的高斯多变量时空模型,解决这些问题的家庭的MCEM估计策略。所提出的估计是适用于广泛的非高斯结果,并明确讨论了二进制和计数结果的实现。模拟数据以及叙利亚各地区与伊斯兰国有关的每周数据说明了该方法。
2018-07-18 stat.AP stat.CO
Sequential robust efficient estimation for nonparametric autoregressive models
对于光滑系数非参数自回归模型的点态估计问题,我们构造了有效的稳健截尾序贯估计。对于高斯模型,我们提出了一个自适应程序的基础上构建的序贯估计。建立了极大极小非自适应和自适应收敛速度。事实证明,在这种情况下,这些速率与回归模型相同。
2013-04-17 math.ST stat.TH
A Unified Frequency Domain Cross-Validatory Approach to HAC Standard Error Estimation
提出统一的频域交叉验证(FDCV)方法用于估计HAC标准误,支持在参数化与非参数化谱估计器间进行模型选择,并提供高效计算技术,模拟表明其优于现有HAC估计器。
2023-06-30 econ.EM stat.ME
Estimation in nonstationary random coefficient autoregressive models
研究了随机系数自回归模型中参数的估计问题。我们考虑了一个非平稳RCA过程,并证明了新息方差参数不能用拟极大似然方法估计。证明了剩余模型参数的拟极大似然估计的渐近正态性,从而证明了随机系数自回归模型不存在单位根问题。
2009-02-27 math.ST stat.ME stat.TH
Bias-Correction for Privacy-Protected Spatial Autoregressive Models with Application to Restaurant Network Analysis
Center for Applied Statistics and School of Statistics, Renmin University of China(中国人民大学统计学院应用统计中心);School of Statistics and Data Science, Shanghai University of Finance and Economics(上海财经大学统计与信息学院);Guanghua School of Management, Peking University(北京大学光华管理学院)
针对隐私保护下含噪SAR模型,提出偏差校正牛顿-拉弗森及最小二乘估计量,证明其一致性与渐近正态性,并在餐厅交易数据中识别出显著竞争网络效应。
2026-09-21 econ.EM stat.ME
A Regularized Vector Autoregressive Hidden Semi-Markov Model, with Application to Multivariate Financial Data
建立了一个正则化向量自回归隐半马尔可夫模型,用于分析具有切换数据生成机制的多元金融时间序列。此外,提出了一种增广期望最大化算法的参数估计嵌入正则化估计的状态依赖的协方差阵和自回归矩阵的M-步骤。在模拟实验和纽约证券交易所的金融投资组合数据的性能进行评估建议的正则化估计。
2021-05-12 stat.AP
Statistical Estimation of High-Dimensional Vector Autoregressive Models
University of Mannheim(曼海姆大学);University of Cyprus(塞浦路斯大学)
高维向量自回归(VAR)模型是分析多元时间序列的重要工具。本文重点研究高维时间序列和不同的正则化估计程序提出的拟合稀疏VAR模型,这样的时间序列。注意施加在VAR参数的不同的稀疏性假设,以及这些稀疏性假设是如何与特定的一致性属性的估计建立。高维VAR模型的稀疏性计划,提出了被认为是更合适的时间序列设置考虑。此外,它表明,在这种稀疏设置下,threholding扩展的一致性性质的正则化估计范围很广的矩阵规范。除此之外,这使得VAR参数估计器能够应用于不同的推理问题,例如预测或估计底层VAR过程的二阶特征。广泛的模拟比较有限样本的行为,提出了不同的正则化估计使用各种性能标准。
2020-06-09 cs.LG stat.ML
On Parameter Estimation of Threshold Autoregressive Models
研究了当底层门限参数为随机变量时TAR模型的门限估计问题。结果表明,贝叶斯估计是相容的,其极限分布表示为一个极限似然比。此外,还建立了估计量的矩的收敛性。极限分布可以通过显式模拟来计算,根据显式模拟可以进行门限参数的测试和推断。所得到的结果与数值模拟说明。
2010-03-18 math.ST stat.TH
Parameter estimation for fractional autoregressive process with periodic structure
本文提出由分数高斯噪声驱动的周期分数自回归过程(PFAR)以建模降水蒸散发,结合GLSE和GPH方法构建初始估计并经One-Step程序优化,证明了估计量的一致性与渐近正态性。
2025-09-14 math.ST stat.TH
Dynamic Network Autoregressive Models for Functional Panel Data
Melbourne Business School, University of Melbourne(墨尔本商学院,墨尔本大学);School of Political Science and Economics, Waseda University(政治经济学院,早稻田大学)
本文提出了一种功能网络自回归模型,用于分析面板数据中功能结果的相互作用,并通过实证研究展示了其在自行车共享服务需求分析中的应用。
2026-07-28 econ.EM stat.ME
Moderate deviations for the mildly stationary autoregressive models with dependent errors
本文针对带相依误差的轻度平稳AR(1)模型,用鞅方法建立了回归项与误差项最小二乘估计的中偏差,并将其应用于近单位根二阶自回归过程分析及Durbin-Watson统计量的中偏差推导。
2023-11-07 math.PR math.ST stat.TH
LogitBoost autoregressive networks
University of Chicago(芝加哥大学)
多元二值分布可以分解为一元条件分布的乘积。最近流行的方法通过具有复杂的权重共享结构的神经网络来建模这些条件。它表明,国家的最先进的性能在几个标准的基准数据集,实际上可以通过训练单独的概率估计为每个维度。在这种情况下,模型训练可以在数据维度上并行化。另一方面,必须对每个学习的条件分布执行复杂度控制。三种可能的方法被认为是实验比较。用于每个条件的估计量是LogitBoost。详细讨论了该方法与基于神经网络的自回归模型之间的异同。
2017-03-22 cs.LG stat.ML
Testing stability in a spatial unilateral autoregressive model
研究了空间单边自回归过程$X_{k,\ell}=αX_{k-1,\ell}+βX_{k,\ell-1}+\varepsilon_{k,\ell}$的稳定性参数$\varrho := |α| + |β|$的最小二乘估计。在不稳定的情况下显示了具有比例因子$n^{5/4}$的渐近正态性,即,当$\varrho = 1$,与AR(p)模型$X_k=α_1 X_{k-1}+... +α_p X_{k-p}+ \varepsilon_k$相反,其中稳定性参数$\varrho :=α_1 + ... + α_p$的最小二乘估计在不稳定中不是渐近正态的,即,在单位根的情况下。
2012-03-20 math.ST stat.TH
On the edge eigenvalues of the precision matrices of nonstationary autoregressive processes
Institute of Statistical Science, Academia Sinica(中央研究院统计科学研究所)
本文研究非平稳自回归过程参数的结构性变化,通过分析精度矩阵的边缘特征值,并提出一种检测异常值的估计方法。
2024-09-05 math.ST stat.ME stat.TH
Dynamic Spatial Autoregressive Models with Autoregressive and Heteroskedastic Disturbances
我们提出了一类新的模型,专门为时空数据分析。为此,我们推广的空间自回归模型与自回归和异方差干扰,即SARAR(1,1),利用最近的进展,分数驱动(SD)模型通常用于时间序列计量经济学。特别是,我们允许随时间变化的空间自回归系数以及随时间变化的回归系数和横截面标准差。我们报告了一个广泛的蒙特卡罗模拟研究,以调查有限样本性质的极大似然估计的新一类模型,以及其灵活性,在解释几个动态空间依赖过程。通过在投资组合优化中的应用,发现新提出的一类模型在经济上是理性投资者的首选。
2023-01-11 q-fin.PM stat.AP stat.ME
Dynamic Estimation of Learning Rates Using a Non-Linear Autoregressive Model
University College London(伦敦大学学院)
针对优化器学习率与动量的动态调节问题,提出融入动量的自适应Nlar模型及三种学习率估计器,并通过理论证明和多数据集与强化学习实验验证其稳健快速收敛。
2024-12-02 cs.LG math.OC stat.AP
Robust bootstrap prediction intervals for univariate and multivariate autoregressive time series models
自举过程已经成为自回归时间序列模型中为未来观测构建预测区间的一般框架。这种具有异常数据点的模型在实际数据应用中是标准的,特别是在计量经济学领域。这些离群数据点往往会产生较高的预测误差,从而降低了基于非稳健估计量计算的现有自助预测区间的预测性能。在单变量和多变量自回归时间序列中,我们提出了一种稳健的自举算法来构造预测区间和预测区域。建议的程序是基于加权似然估计和加权残差。通过一系列的蒙特卡罗研究和两个经验数据的例子,它的有限样本性质进行检查。
2020-11-16 stat.AP stat.ME
Strong uniform consistency and asymptotic normality of a kernel based error density estimator in functional autoregressive models
估计新息概率密度是任何回归分析中的一个重要问题。本文主要研究函数自回归模型。提出了一种基于残差的新息密度核估计方法。该估计量的渐近性质依赖于泛函自回归函数的平均预测误差。研究了核密度估计的强一致相合性和渐近正态性的充分条件。
2010-05-06 stat.ME
Efficient prediction for linear and nonlinear autoregressive models
在平稳时间序列中,给定过去观测值的条件期望通常由核估计直接估计,或者通过插入核估计来估计转移密度。我们证明了,对于独立新息驱动的线性和非线性自回归模型,适当的平滑加权von Mises残差统计量估计条件期望具有更好的参数率,并且是渐近有效的.证明是基于一个均匀的随机扩展平滑和加权冯米塞斯过程的残差。我们认为,特别是,估计的条件分布函数和条件分位数函数。
2007-02-23 math.ST stat.TH
Strict Stationarity Testing and GLAD Estimation of Double Autoregressive Models
在本文中,我们开发了一个易于操作的程序来测试双自回归模型中的严格平稳性,并将问题表述为测试顶部李雅普诺夫指数是否为负。在没有严格平稳性假设的情况下,构造了相应的最大李雅普诺夫指数的一致估计量,并采用随机加权的方法进行方差估计,进而进行t-型检验.我们还提出了一个GLAD估计参数的兴趣,放松常用的QMLE的关键假设。所有的估计,除了截距,被证明是一致的,渐近正常的平稳和爆炸的情况。有限样本性能的建议程序进行评估,通过蒙特卡罗模拟研究和一个真实的数据集的利率进行了分析。
2019-02-11 math.ST stat.TH
Rank-based estimation for all-pass time series models
其中自回归多项式的所有根是移动平均多项式的根的倒数并且反之亦然的自回归-滑动平均模型被称为全通时间序列模型。全通模型对于识别和建模非因果和不可逆的自回归移动平均过程很有用。建立了全通模型参数秩估计的渐近正态性和相合性。通过最小化Jaeckel [Ann. Math. Statist. 43(1972)1449- 1458]。这些估计量可以具有与最大似然估计量相同的渐近效率,并且是稳健的。通过模拟研究了有限样本下估计量的行为,并将秩估计用于模拟水枪地震记录的反褶积。
2007-08-14 math.ST stat.TH
Sparse transition matrix estimation for high-dimensional and locally stationary vector autoregressive models
研究高维时变向量自回归(TV-VAR)模型中转移阵的估计问题。我们的模型建立在一个一般类的局部平稳VAR过程,在时间上顺利发展。我们提出了一种混合核平滑和$\ell^1$ -正则化的方法来直接估计时变转移阵序列。在对转移阵稀疏性的假设下,我们建立了该估计的收敛速率,并证明了该估计的收敛速度仅通过转移阵函数的光滑性而依赖于局部平稳VAR过程的光滑性.此外,对于我们的估计其次是阈值,我们证明了在模式恢复的假阳性率(I型错误)和假阴性率(II型错误)可以渐近消失,在弱信号的存在下,而不假设最小的非零信号强度条件。有利的有限样本性能的$\ell^2$惩罚最小二乘估计和非结构化的最大似然估计的模拟数据。我们还提供了两个真实的例子来估计金融股票价格和经济汇率数据集的依赖结构。
2017-09-30 math.ST stat.AP stat.TH
Risk Estimate under a Time-Varying Autoregressive Model for Data-Driven Reproduction Number Estimation
本文提出广义时变自回归模型估计COVID-19再生数,通过推广Stein无偏风险估计构建数据驱动预言机选择超参数,提出每周缩放Poisson模型提升鲁棒性,并在合成与真实数据上验证有效性。
2025-08-12 eess.SP stat.AP stat.ME
Estimation in threshold autoregressive models with correlated innovations
门限自回归(TAR)模型的大样本统计分析通常基于潜在驱动噪声不相关的假设。在本文中,我们考虑了一个模型,由高斯噪声驱动的几何相关尾和推导出一个完整的刻画的渐近分布的贝叶斯估计的门限参数。
2013-03-06 math.PR math.ST stat.TH
Quasi-Score Matching Estimation for Spatial Autoregressive Model with Random Weights Matrix and Regressors
The Australian National University(澳大利亚国立大学)
针对SAR模型QMLE在大规模数据下计算不可扩展且经典假设不切实际的问题,提出拟得分匹配估计法,降低计算复杂度并建立随机权重矩阵与回归量下的渐近性质,为新理论框架提供支撑。
2026-10-21 econ.EM math.ST stat.ME
Multi-class Vector AutoRegressive Models for Multi-store Sales Data
零售商使用向量自回归(VAR)模型作为标准工具来估计一个产品类别中的价格,促销和销售对另一个产品类别销售的影响。此外,这些价格,促销和销售数据不仅适用于一家商店,而是适用于整个连锁店。我们建议使用多类VAR模型来研究跨类别效应:我们联合估计几个不同但相关的VAR模型的跨类别效应,每个商店一个。我们的方法鼓励商店之间的效果是相似的,同时仍然允许商店之间的小差异来解释商店的异质性。此外,我们的估计是稀疏的:不重要的影响估计为零,这有利于解释的结果。仿真研究表明,所提出的多类估计提高了估计精度,通过借用跨类的力量。最后,我们提供了三个可视化工具,显示(一)相同的跨类别效应的商店集群,(二)产品类别的网络和(三)跨商店共享跨类别效应的相似性矩阵。
2016-05-11 stat.AP
On non-stationary threshold autoregressive models
本文研究了非平稳一阶门限自回归(TAR(1))模型最小二乘估计的极限分布。证明了TAR(1)过程的极限行为与经典单位根模型和爆炸AR(1)过程的极限行为有很大的不同。
2011-07-14 math.ST stat.TH
Locally Masked Convolution for Autoregressive Models
UC Berkeley(加州大学伯克利分校);Carnegie Mellon University(卡内基梅隆大学)
高维生成模型在图像压缩、多媒体生成、异常检测和数据完备等方面有着广泛的应用。用于自然图像的现有技术估计器是自回归的,将像素上的联合分布分解成由深度神经网络(例如,诸如PixelCNN的卷积神经网络)参数化的条件的乘积。然而,PixelCNN仅对联合的单个分解进行建模,并且仅单个生成顺序是有效的。对于图像完成等任务,这些模型无法使用大部分观察到的上下文。为了以任意顺序生成数据,我们引入了LMConv:对标准2D卷积的简单修改,允许将任意掩码应用于图像中每个位置的权重。使用LMConv,我们学习了共享参数但生成顺序不同的分布估计器的集合,从而提高了全图像密度估计的性能(在无条件CIFAR10上为2.89 bpd),以及全局相干图像完成。我们的代码可在https://ajayjain.github.io/lmconv上获得。
2020-06-27 cs.CV cs.LG cs.NE
Robust Estimation for Two-Dimensional Autoregressive Processes Based on Bounded Innovation Propagation Representations
鲁棒方法是图像处理中处理污染和噪声的一种成功方法。本文提出了一种新的二维自回归模型的鲁棒估计方法。我们的方法,称为BMM-2D,依赖于表示一个二维自回归过程的辅助模型,以减弱污染(离群值)的影响。我们通过全面的蒙特卡罗模拟研究,考虑不同程度的替换污染和窗口大小,我们的方法与现有的鲁棒估计和最小二乘估计的性能进行比较。结果表明,新的估计是优于其他估计,无论是在准确度和精度。图像滤波的应用突出的调查结果,并说明了如何估计工程在实际应用中。
2018-07-07 stat.ME
Shrinkage priors on complex-valued circular-symmetric autoregressive processes
研究复值循环对称自回归过程功率谱密度的收缩先验。我们构造收缩预测功率谱密度,其渐近地支配(i)基于Jeffreys先验的贝叶斯预测功率谱密度和(ii)具有最大似然估计的估计功率谱密度,其中从真实功率谱密度到预测功率谱密度的Kullback-Leibler发散被采用作为风险。此外,我们提出了一般的结构的目标先验的Kähler参数空间,利用一个积极的连续的本征函数的Laplace-Beltrami算子的负特征值。本文给出了一个$1$阶复值平稳自回归模型的数值实验。
2021-02-04 math.ST stat.TH
Generalized Spatial and Spatiotemporal Autoregressive Conditional Heteroscedasticity
在本文中,我们介绍了一个新的空间模型,采用异方差方差依赖于相邻位置。所提出的过程被认为是空间等价的时间自回归条件异方差模型。此外,我们还展示了如何引入的空间可伸缩模型可以用于时空设置。在时间的分布模型,其中的分布是已知的给定的完整信息集的前一个时期,在空间和时空设置的分布是不直接的。然而,可以使用最大似然法来估计模型的参数。通过蒙特卡罗模拟,我们证明了一个特定的空间加权矩阵的估计的性能。此外,我们结合已知的空间自回归模型和空间自回归模型假设异方差误差。最后,提出的自回归过程是用一个实证例子说明。具体来说,我们在美国3108个县的肺癌死亡率模型,并比较了两个基准方法引入的模型。
2016-09-02 math.ST stat.AP stat.ME
Autoregressive Models: What Are They Good For?
自回归(AR)模型已经成为无监督学习的流行工具,实现了最先进的对数似然估计。我们研究了AR模型在两种情况下作为密度估计器的使用-作为图像翻译的学习信号,以及作为离群值检测器-并发现这些密度估计比以前认为的要不可靠得多。我们从经验和理论的角度来研究潜在的优化问题,并提供了一个玩具的例子来说明这个问题。绝大多数情况下,我们发现密度估计与感知质量无关,对下游任务毫无帮助。
2019-10-17 cs.LG stat.ML
Partially Specified Spatial Autoregressive Model with Artificial Neural Network
空间自回归模型是Clif和Ord于20世纪70年代提出的一种新的空间自回归模型,目前已广泛应用于区域经济学、公共财政学、政治学、农业经济学、环境研究和交通分析等领域。随着信息技术的迅速发展,观测值之间很少相互独立,因此空间自回归模型可以考虑这种依赖性,并在协变量和目标变量之间得出更可靠的结论。在经典空间模型的基础上,Su和Jin提出了一种半参数模型,称为部分指定空间自回归模型(PSAR),以允许更灵活的建模。为了估计这个非参数分量,我们使用了神经网络模型,该模型增加了经典模型的灵活性,并允许根据不同类型的数据选择不同的激活函数。本文将人工神经网络模型推广到部分指定的空间自回归模型,并提出了极大似然估计代替拟最大似然估计。我们建立了该模型中估计量的相合性和渐近正态性。这些结果是在空间模型和神经网络模型的一些标准条件下得到的。为了说明这一点,我们通过数值模拟研究了有限样本的正态近似的质量,其中有三种常见的误差分布(标准正态、学生t分布和拉普拉斯分布)。我们将我们提出的模型应用于土壤-水紧张问题和芝加哥的犯罪研究。结果表明,我们的模型可以捕捉单位之间的空间依赖性以及目标变量和协变量之间的未知相关结构。
2019-05-13 stat.AP
State-Dependent Autoregressive Models: Properties, Estimation and Forecasting
本文研究了一类非线性时间序列的状态依赖自回归模型的时间依赖性质,并讨论了模型的参数估计问题。我们称这样的模型为状态依赖一阶自回归过程(SDAR)。我们引入了一些假设,在这些假设下,这类模型是严格平稳和一致遍历的,我们建立了参数的拟极大似然估计的相合性和渐近正态性。为了捕捉模型的潜力,我们提出了一个实证应用程序的非线性时间序列提供的每周实现波动率提取的一些欧洲金融指数的回报。考虑到两区SETAR模式提供的替代方法,对预报精度进行了比较
2020-02-08 math.ST stat.TH
Estimating weak periodic vector autoregressive time series
本文推导了弱周期向量自回归时间序列模型参数的最小二乘估计量的渐近分布,提出了修正的Wald检验,并通过蒙特卡洛实验和金融数据应用进行了验证。
2024-04-19 math.ST stat.TH
Parameter estimation in a spatial unit root autoregressive model
研究了空间单边自回归模型$X_{k,\ell}=αX_{k-1,\ell}+βX_{k,\ell-1}+γX_{k-1,\ell-1}+ε_{k,\ell}$在单位根情形下的稳定性问题,即当参数位于稳定域的边界上时,稳定域的顶点为$(1,1,-1), \ (1,-1,1),\ (-1,1,1)$和$(-1,-1,-1)$ .证明了参数的最小二乘估计的极限分布是正态的,当参数在四面体的面或边上时,其收敛速率是$n$,而在顶点时,其收敛速度是$n^{3/2}$ .
2011-10-02 math.ST stat.TH
Matrix-variate integer-valued autoregressive processes
本文针对社会学和经济学中矩阵值整数值时间序列的建模需求,提出矩阵值整数值自回归模型,通过左右矩阵薄化算子定义模型,研究其性质,开发投影与迭代最小二乘估计,并证明其优于现有模型。
2025-09-09 math.ST stat.TH
Time-varying first-order autoregressive processes with irregular innovations
考虑了一个具有非规则新息的时变一阶自回归模型,其中假定系数函数是Hölder连续的。为了估计这个函数,我们使用一个准最大似然为基础的方法。这种方法的精确控制需要对某些弱相关过程的极端情况进行细致的分析,我们的主要结果是这些量的浓度不等式。基于我们的分析,上界和匹配的极大极小下界推导,显示我们的估计的最优性。与常规情况不同,信息论复杂性取决于平滑度和额外的形状参数,表征底层分布的不规则性。证明的结果和思想与经典的和最近的方法在局部平稳过程的统计和推断方面有很大的不同。
2023-02-26 math.ST stat.TH
Beta Autoregressive Fractionally Integrated Moving Average Models
在这项工作中,我们介绍了一类β自回归分数积分移动平均模型的连续随机变量取值在连续单位区间$(0,1)$。该模型包含一组回归变量和一个长程相关的时间序列结构。我们推导了该模型参数的部分似然估计,获得了相关的得分向量和费舍尔信息矩阵。在较弱的条件下证明了估计量的相合性和渐近正态性。提出了假设检验、诊断工具和预测方法。一个蒙特卡罗模拟被认为是评估有限样本性能的偏似然估计和研究一些建议的测试。一个经验的应用程序也提出和讨论。
2018-07-26 stat.ME
Joint Conditional Maximum Likelihood Estimation of Beta Regression for Panel Data with Higher-Order Autoregressive Errors
University of California, San Francisco(旧金山加利福尼亚大学)
针对面板Beta回归无法处理高阶自回归依赖的问题,提出联合条件最大似然Beta-AR(k)模型及两种协方差估计器,模拟验证PCSE优于DK,并给出Stata实现。
2026-09-23 stat.ME
Asymptotics of Monte Carlo maximum likelihood estimators
我们描述了蒙特卡罗近似的极大似然估计模型与棘手的赋范常数和解释变量。我们认为这两个来源的随机性(由于初始样本和蒙特卡罗模拟),并证明渐近正态的估计。
2014-12-19 stat.ME
Estimating Causal Effects with the Neural Autoregressive Density Estimator
Technical University of Denmark(丹麦技术大学)
在潜在系统将受到积极干预的情况下,因果效应的估计是基本的。构建因果推断引擎的一部分是定义变量如何相互关联,也就是说,定义给定条件依赖关系的变量之间的函数关系。在本文中,我们偏离因果模型中的线性关系的共同假设,利用神经自回归密度估计,并使用它们来估计因果关系的珍珠做演算框架内。使用合成数据,我们表明,该方法可以检索因果关系的影响,从非线性系统,而不明确建模的变量之间的相互作用。
2021-03-01 cs.AI cs.LG stat.ME