Integer-valued autoregressive process with flexible marginal and innovation distributions
整数自回归（INAR）过程通常通过指定新息和算子来定义，这往往导致难以推导过程的边际性质。在许多实际情况下，一个主要的建模限制是，它是很难证明经营者的选择。为了克服这些缺点，我们提出了一种新的灵活的方法来建立一个INAR模型：我们预先指定的边际和创新分布。因此，算子是指定所需的边际和新息分布的结果。我们的新的INAR模型的边缘和几何分布的新息，是一个直接替代经典的泊松INAR模型。我们提出的过程具有有趣的随机特性，如MA（$\infty$）表示，时间可逆性，以及转移概率$h$的封闭形式-提前几步，允许连贯的预测。我们使用我们提出的方法分析皮肤病变的时间序列计数，并将其与现有的INAR和INGARTM模型进行比较。我们的模型提供了更多的数据和更好的预测性能。
2020-04-18 stat.AP stat.ME
Statistical Inference for Generalized Integer Autoregressive Processes
本文系统研究广义整数自回归GINAR(p)过程的统计推断与预测方法，总结渐近性质并通过模拟比较小样本表现，最后应用于疾病监测数据。
2024-02-05 stat.ME
Joint semi-parametric INAR bootstrap inference for model coefficients and innovation distribution
本文提出一种半参数 INAR 自助法程序，证明其对模型系数与新息分布的联合估计具有一致性，并应用于拟合优度检验、预测推断与离散指数分析，通过模拟和实际数据验证了其有限样本性能。
2025-07-15 stat.ME
First-order integer-valued autoregressive processes with Generalized Katz innovations
本文提出一种基于广义Katz新息的整数值自回归模型，可灵活处理计数数据的过离散、欠离散、偏态和厚尾，并应用于130个Google趋势序列，揭示气候变化公众关注度的时空异质性。
2024-12-17 econ.EM stat.ME
The expectation-maximization algorithm for autoregressive models with normal inverse Gaussian innovations
自回归（AR）模型用于表示时变随机过程，其中输出线性依赖于先前项和随机项（新息）。在经典的AR模型中，AR模型是基于正态分布的。然而，这种分布不允许描述具有离群值和不对称行为的数据。本文研究了具有正态逆高斯（NIG）新息的AR模型。NIG分布属于半重尾分布，具有广泛的形状，因此可以描述具有可能跳跃的真实数据。期望最大化（EM）算法被用来估计所考虑的模型的参数。的估计过程的有效性上显示的模拟数据。比较研究，其中也包括经典的估计算法，即Yule-Walker和条件最小二乘法以及EM方法的模型参数估计。介绍了模型的应用程序在现实生活中的金融数据。
2021-11-12 math.ST stat.ME stat.TH
Censored autoregressive regression models with Student-$t$ innovations
Student- $t$分布广泛用于涉及离群值的数据集的统计建模，因为其长于正常的尾部提供了处理此类数据的稳健方法。此外，随着时间的推移收集的数据可能包含删失或缺失的观察结果，因此无法使用标准统计程序。本文提出了一种新息服从Student- $t$分布且回归误差自相关时截尾线性回归模型参数估计的算法。为了适应所提出的模型，最大似然估计获得整个SAEM算法，这是一个随机逼近的期望最大化算法的模型中，E-步骤不具有解析形式。该方法说明了一个真正的数据集，左删失和缺失的观察分析。我们还进行了两个模拟研究，以检查估计的渐近性质和模型的鲁棒性。
2022-01-19 stat.AP stat.ME
Simultaneous sparse model selection and coefficient estimation for heavy-tailed autoregressive processes
提出了一种基于惩罚条件极大似然的重尾新息自回归过程的稀疏系数估计和自动模型选择方法.在新息过程的弱矩条件下，惩罚条件极大似然估计（PCMLE）满足强相合性、$O_P(N^{-1/2})$相合性和oracle性质，其中N是样本量.根据罚函数的弱条件，我们可以自由选择罚函数。比较了最小绝对收缩选择算子（LASSO）和平滑裁剪平均偏差（SCAD）两种罚函数。所提出的方法提供了一个基于分布的惩罚推理AR模型，这是特别有用的，当其他估计方法失败或执行厚尾新息的AR过程（见\cite{Resnick}）。仿真研究证实了我们的理论结果。最后，我们将我们的方法应用于美国消费品工业生产指数的历史价格数据，并获得了非常有前途的结果。
2013-09-21 math.ST stat.ME stat.TH
A copula-based bivariate integer-valued autoregressive process with application
研究了一类具有Copula联合新息的二元一阶整值自回归过程（BINAR（1））.通过蒙特卡罗模拟，分析和比较了不同的参数估计方法，重点是copula依赖参数的估计。在违约和非违约贷款数据上的实证应用是使用Copula函数和边际分布函数的不同组合进行的，涵盖了两个边缘分布来自同一族的情况，以及它们来自不同分布族的情况。
2019-06-05 stat.ME
A fully nonlinear structural vector autoregressive model identified via independent innovation analysis
University of Helsinki（赫尔辛基大学）
该研究提出一种通过独立创新分析识别的完全非线性结构向量自回归模型，采用对比学习与指数族规范，结合前馈神经网络估计，实证发现美国工业产出对油价冲击的响应存在适度非对称性，并开发了R包iiasvar实现方法。
2026-08-05 econ.EM stat.ME stat.ML
Adaptive estimation of vector autoregressive models with time-varying variance: application to testing linear causality in mean
研究了新息无条件异方差且序列相关的线性向量自回归（VAR）模型。波动率结构是确定性的，并且相当普遍，包括作为特殊情况的突变或趋势方差。在这个框架中，我们提出了普通最小二乘法（OLS），广义最小二乘法（GLS）和自适应最小二乘法（ALS）的程序。GLS估计器需要时变方差结构的知识，而在ALS方法中，未知方差通过OLS残差向量的外积通过核平滑来估计。还允许时变方差矩阵的不同单元的不同带宽。我们推导了VAR模型系数估计的渐近分布，并比较了它们的性质。特别是，我们证明了ALS估计是渐近等价于不可行的GLS估计。这种渐近等价性是在给定范围内相对于带宽一致获得的，因此证明了数据驱动带宽规则的合理性。利用这些结果，我们建立Wald检验的线性Granger因果关系的平均值，这是适应VAR过程的误差驱动的非平稳波动。它还表明，常用的标准Wald检验的线性Granger因果关系的平均值是潜在的不可靠的，在我们的框架。蒙特卡罗实验说明了使用不同的估计方法分析具有稳定新息的VAR模型。
2010-07-08 stat.ME
Autoregressive Models for Variance Matrices: Stationary Inverse Wishart Processes
我们介绍和探索一类新的平稳时间序列模型的方差矩阵的基础上建设性的定义，利用逆Wishart分布理论。探索的模型的主要类别是一类新的平稳，一阶自回归（AR）过程的锥半正定矩阵。多变量“波动”过程的理论和这些新模型的结构方面进行了详细描述和举例说明。然后，我们通过基于贝叶斯模拟的计算开发模型拟合方法，创建一个依赖于高效创新采样器的自定义过滤方法。然后提供了一个例子，在分析的多变量脑电图（EEG）时间序列在神经学研究。最后，我们讨论了高阶AR模型的潜在进一步发展以及与先前方法的一些联系。
2011-07-26 stat.ME
Robust Estimation of Double Autoregressive Models via Normal Mixture QMLE
针对偏态重尾新息下双自回归模型传统QMLE的局限，提出正态混合拟最大似然估计（NM-QMLE）方法，证明了其渐近性质，并在模拟与S&P 500实证中验证了其提升估计精度与风险评估的能力。
2025-05-29 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
Estimation and Autoregressive Modeling of Mittag-Leffler Distributions with Application in Finance
Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）；Indian Institute of Technology Ropar（印度理工学院罗帕尔分校）
本文提出利用经验拉普拉斯变换方法估计Mittag-Leffler分布参数，并建立自回归模型用于高频交易数据分析。
2026-08-24 stat.ME
An Innovations Algorithm for the prediction of functional linear processes
针对函数型线性过程预测偏重自回归模型的问题，本文将多元新息算法用于递增维有限维子过程，提出计算可行的线性预测器，并证明其按特征值衰减速率收敛至理论最优预测器。
2016-07-20 stat.ME
Bayesian Circular Lattice Filters for Computationally Efficient Estimation of Multivariate Time-Varying Autoregressive Models
非平稳时间序列数据存在于各种科学学科中，包括环境科学、生物学、信号处理、计量经济学等。许多贝叶斯模型已被开发来处理非平稳时间序列。时变向量自回归（TV-VAR）模型是一种适用于多变量非平稳时间序列的模型。然而，在大多数情况下，模型所呈现的大量参数导致高计算负担，最终限制了其使用。本文提出了一种计算效率高的多变量贝叶斯圆格滤波器的TV-VAR模型的使用扩展到更广泛的一类高维问题。我们的完全贝叶斯框架允许自回归（AR）系数和创新协方差随时间变化。我们的估计方法是基于贝叶斯格型滤波器（BLF），这是非常计算效率和稳定的单变量情况下。为了说明我们方法的有效性，我们通过仿真研究与其他竞争方法进行了全面比较，发现在大多数情况下，我们的方法在估计的时变谱密度与真实时变谱密度之间的平均平方误差方面表现出色。最后，我们通过应用季度国内生产总值（GDP）数据和北加州风能数据来展示我们的方法。
2022-06-24 stat.ME
Generalized Yule-Walker Estimation for Spatio-Temporal Models with Unknown Diagonal Coefficients
我们考虑一类时空模型，扩展流行的计量经济学空间自回归面板数据模型，允许每个位置（或面板）的标量系数彼此不同。为了克服固有的内禀性，我们提出了一种广义的Yule-Walker估计方法，它将最小二乘估计应用于Yule-Walker方程。渐近理论是在样本量和位置（或面板）的数量在平稳和α混合过程的一般设置下趋于无穷大的设置下开发的，其中包括由i.i.d.驱动的空间自回归面板数据模型。创新作为特例。所提出的方法说明使用模拟和真实数据。
2016-05-14 stat.ME
Signed Matrix Thinning and Projection Estimation for Integer-Valued Autoregressive Models
School of Mathematics and Statistics, Shanxi University（山西大学数学与统计学院）
本文针对MINAR模型无法处理负值的缺陷，提出Z-MINAR模型，通过符号矩阵稀疏化算子和扩展泊松分布实现正负整数处理，经模拟和实证验证其估计精度等性能优于基准模型。
2026-08-04 stat.ME
Quantile autoregressive conditional heteroscedasticity
本文提出一种基于分位数回归过程框架的条件异方差时间序列模型，该模型在不同分位数水平下提供变化结构，并包含GARCH模型作为特例，通过自加权QR和CQR估计量处理重尾分布并外推高分位数，具有渐近性质，模拟和实证验证了其有效性。
2023-11-13 stat.ME
Joint modeling and inference of multiple-subject high-dimensional sparse vector autoregressive models
University of Alabama（阿拉巴马大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
针对多受试者高维稀疏VAR模型统计效率低的问题，提出基于通信高效数据集成框架的新可辨识性条件，实现受试者特异的收敛速率，并开发Wald型假设检验，模拟与真实数据验证性能优于现有基准。
2026-10-27 stat.ME
SAR models with specific spatial coefficients and heteroskedastic innovations
Universitat de les Illes Balears（巴利阿里群岛大学）；Universidad Nacional de Colombia（哥伦比亚国立大学）
本研究扩展了SAR模型，引入随时间演化的区域专属空间系数，提出适配同/异方差数据的估计方法，开发了R工具，经验证效果优于同类技术，可应用于多学科空间数据分析。
2025-02-21 stat.ME
Sampling Requirements for Stable Autoregressive Estimation
研究了具有亚高斯新息的线性单变量自回归模型的参数估计问题。假设参数是可压缩的，我们分析的性能的$\ell_1$正则化最小二乘以及贪婪估计的参数和特征的采样权衡所需的稳定恢复在非渐近制度。特别是，我们表明，对于一个固定的稀疏水平，稳定的AR参数恢复时，样本的数量与AR阶次线性缩放是可能的。我们的研究结果改善了现有的采样复杂性的要求，AR估计使用LASSO，当稀疏水平的规模快于模型阶的平方根。我们进一步推导出稀疏水平上的充分条件，保证极小极大最优的$\ell_1$ -正则化最小二乘估计。将这些技术应用于模拟数据以及来自原油价格和交通速度数据的真实数据集，证实了我们在估计精度和模型选择方面的预测理论性能增益。
2017-01-17 cs.DM cs.IT math.IT
Innovations orthogonalization: a solution to the major pitfalls of EEG/MEG "leakage correction"
本文研究的问题是基于无创脑电-脑磁图逆解时间序列的脑功能和有效连通性的研究。这些信号通常具有低空间分辨率，使得在任何一个部位处的估计信号是跨所有皮层部位的真实、实际、未观察到的信号的瞬时线性混合。对这些低分辨率信号的分析可能会导致错误的连通性。最近的努力已经发展到“unmixing”，在“泄漏校正”的名称。一种最近值得注意的方法是Colclough等人（2015 NeuroImage，117：439-448）的方法，其迫使逆解信号在滞后零处具有零互相关。其中一个目标是证明Colclough的方法在非常广泛的条件下产生了虚假的人类连接体。第二个主要目标是开发一种新的解决方案，该解决方案基于新息正交化适当地“解混”逆解信号。新方法首先将多元自回归拟合到逆解信号，给出混合新息。第二，混合创新的正交化。第三，混合的和正交化的新息允许估计“解混”矩阵，其然后最终用于“解混”逆解信号。结果表明，在非常广泛的条件下，新方法产生适当的人类连接，即使信号不是由自回归模型产生的。
2017-08-23 q-bio.NC q-bio.QM stat.ME
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
