Identifiability and Estimation of Structural Vector Autoregressive Models for Subsampled and Mixed Frequency Time Series
多变量时间序列中的因果推断是具有挑战性的，因为采样率可能没有因果相互作用的时间尺度快。在这种情况下，我们可以将观察到的序列视为所需序列的二次采样版本。此外，由于技术和其他限制，可能会在不同的采样率下观察到序列，这代表了混合频率设置。为了确定时间序列之间的瞬时和滞后效应在真正的因果尺度，我们采取了基于模型的方法，基于结构向量自回归（SVAR）模型。在这种情况下，我们提出了一个统一的框架下的子采样和混合频率的噪声，或冲击，是非高斯的参数可识别性和估计。重要的是，通过研究SVAR的情况下，我们都能够提供可识别性和估计方法的因果结构的滞后和瞬时效应在所需的时间尺度。我们进一步推导出一个精确的期望最大化算法的推理在二次采样和混合频率设置。我们验证我们的方法在模拟场景和两个现实世界的数据集。
2017-04-08 stat.ME
Non-Gaussian Autoregressive Processes with Tukey g-and-h Transformations
当对连续数据进行时间序列分析时，例如气候或环境问题，通常会违反高斯过程的假设。因此，我们引入了两个非高斯自回归时间序列模型，能够适应倾斜和重尾时间序列数据。我们的两个模型都是基于Tukey g-and-h变换。我们讨论了参数估计，顺序选择，和预测程序，我们的模型，并在模拟研究中检查其性能。我们证明了我们的模型的实用性，将它们应用到两组风速数据。
2018-04-18 stat.ME
Autoregressive Optimal Transport Models
针对分布时间序列分析挑战，提出在最优传输映射空间中操作的自回归传输模型，通过沿Wasserstein空间测地线建立传输映射间的回归联系，并证明了其平稳解的存在性及变系数扩展，成功应用于房价与温度分布数据分析。
2023-05-20 stat.ME
Wasserstein Regression
不属于向量空间的随机对象的样本分析在统计学中越来越受到关注。此类对象数据的一个重要类别是定义在实际线路上的单变量概率测度。采用Wasserstein度量，我们开发了一类回归模型的数据，其中广义过程作为预测和响应也是分布或标量。为了定义这个回归模型，我们利用几何的切丛的随机措施赋予Wasserstein度量映射分布到切空间。提出的分布到分布回归模型提供了在函数数据分析中用于欧几里得数据的多元线性回归和用于希尔伯特空间值数据的函数到函数回归的扩展。在模拟中，它比另一种变换方法表现得更好，在这种方法中，通过对数分位数密度变换将分布映射到希尔伯特空间，然后应用传统的函数回归。我们得到的回归算子的估计和预测分布的渐近收敛速度，并研究了分布值时间序列的自回归模型的扩展。所提出的方法说明了人类死亡率和房价的分布时间序列的数据。
2021-07-06 stat.ME
Margin-closed vector autoregressive time series models
本文推导了高斯VAR($k$)模型具有同阶自回归边缘的条件，利用边缘封闭性质提出多阶段估计方法，并扩展至非高斯边缘，提升了高维时间序列建模的灵活性。
2023-05-24 stat.ME
Spherical Autoregressive Models, With Application to Distributional and Compositional Time Series
我们引入一类新的自回归模型的球形时间序列，其中的维度的球体上的观测的时间序列位于可以是有限维或无限维的情况下，一般的希尔伯特球。球面时间序列出现在各种不同的环境中。我们在这里集中在分布和组成的时间序列。对分布时间序列的观测值的密度应用平方根变换，将分布观测值映射到配备有Fisher-Rao度量的希尔伯特球。同样地，将平方根变换应用于合成时间序列的观测值的分量，将合成观测值映射到有限维球体，配备球体上的测地线度量。建模这种时间序列的挑战在于球体和希尔伯特球体的固有非线性，其中传统的算术运算，如加法或标量乘法不再可用。为了解决这一困难，我们考虑旋转算子映射观察球。具体来说，我们引入一类反对称算子，使得相关的指数算子是旋转算子，对于球面上的每一对给定的点，将其中一个点映射到另一个点。我们利用这一事实，即空间的反对称运营商是希尔伯特开发自回归建模的几何差异，对应于旋转的球形和分布时间序列。我们的方法的激励数据包括1990-2018年洛杉矶（LAX）和John F.肯尼迪（JFK）国际机场
2022-03-24 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
High-dimensional vector autoregressive time series modeling via tensor decomposition
经典的向量自回归模型是多元时间序列分析的基本工具。然而，当时间序列的数量和滞后阶数甚至是中等大的时候，它涉及太多的参数。本文提出将模型的转移矩阵重新排列成张量形式，通过张量分解，可以同时沿三个方向限制参数空间。相比之下，降秩回归方法只能在一个方向上限制参数空间。除了实现大幅降维，所提出的模型是可解释的因素建模的角度来看。此外，为了处理高维时间序列，本文考虑对因子矩阵施加稀疏性，以提高模型的可解释性和估计效率，从而导致稀疏诱导估计。对于低维的情况下，我们推导出所提出的最小二乘估计的渐近性质，并介绍了一个交替最小二乘算法。对于高维情形，我们建立了稀疏诱导估计的非渐近性质，并提出了正则化估计的ADMM算法。仿真实验和一个真实数据的例子表明，所提出的方法的优点，各种现有的方法。
2020-11-03 stat.ME
A Random Graph-based Autoregressive Model for Networked Time Series
本文提出一种基于随机图的联网时间序列自回归模型，通过引入灵活的潜在变量刻画同质性，并结合一阶差分法与邻居平滑技术实现参数估计，无需指定网络生成机制，理论证明与实验均验证了其有效性。
2023-09-15 stat.ME
Local Interaction Autoregressive Model for High Dimension Time Series Data
Fudan University（复旦大学）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
针对高维矩阵和张量时间序列的局部依赖性，提出LIAR框架及可分离LIAR变体，通过带BIC型邻域选择器的并行最小二乘法推导参数估计算法，经理论分析和模拟验证，在实际数据应用中能识别局部时空传播并改进预测。
2026-07-16 stat.ME
A smooth transition autoregressive model for matrix-variate time series
在许多应用中，数据被观察为具有时间依赖性的矩阵。矩阵变量时间序列建模是计量经济学的一个新分支。虽然程式化的事实在几个领域，现有的模型不占政权切换的动态矩阵是不突然的。在本文中，我们扩展了线性矩阵变量自回归模型，通过引入一个政权切换模型，能够占平稳变化，矩阵平滑过渡自回归模型。我们提出的估计过程与模拟和真实数据证明的渐近性质。
2022-12-16 econ.EM stat.ME
High-dimensional Autoregressive Modeling for Time Series with Hierarchical Structures
Department of Statistics and Actuarial Science, University of Hong Kong（香港大学统计及精算学系）
本文提出一种结合监督学习与无监督因子建模的高效自回归模型，用于处理高维时间序列中的分层结构数据，通过普通最小二乘估计和提升方法进行参数选择，通过仿真和Personality-120数据集验证方法有效性。
2026-11-03 stat.ME
On buffered double autoregressive time series models
为了刻画时间序列中条件均值和条件方差的缓冲现象，提出了一种缓冲双自回归（BDAR）时间序列模型。为了建立该模型，引入了一种新的灵活的状态切换机制，通过捕获信号的粘性来修改经典的阈值时间序列模型。此外，考虑到传统模型在信息缺乏的情况下的不足，该模型还引入了信号回溯，以提供更准确的判断。此外，在几个充分条件下，形式化证明了BDAR模型的严格平稳性和几何遍历性。采用高斯拟极大似然估计（QMLE），并导出其估计量的渐近分布。证明了BDAR模型的估计阈值是$n$ -相容的，并且弱收敛于一个双边复合Poisson过程的泛函.其余参数均为$\sqrt{n}$ -一致且渐近正态。建立了一个模型选择准则及其渐近性质。仿真研究被构造来评估有限样本性能的QMLE和模型选择准则。最后，利用BDAR模型对恒生指数进行实证分析，揭示了投资者对损失和收益偏好的非对称性以及波动结构的非对称性。
2018-10-28 stat.ME
Tail-robust estimation of factor-adjusted vector autoregressive models for high-dimensional time series
本文研究了通过因子调整向量自回归模型对高维厚尾时间序列数据建模问题，结合少量因子捕捉变量共动性和稀疏VAR模型捕捉剩余互联性，并通过数据截断和两阶段估计法处理厚尾问题，推导出估计率并验证其在模拟数据和宏观经济指标预测中的有效性。
2026-04-24 stat.ME
Detection of additive outliers in Poisson INteger-valued AutoRegressive time series
在时间序列分析中，经常会遇到离群观测值。本文研究了整数值时间序列中可加性野值的检测问题。我们展示了如何使用吉布斯抽样来检测INAR（1）过程中的离群观测值。所提出的方法说明使用的例子，以及观察到的数据集。
2012-04-29 stat.CO stat.ME
High-dimensional time series segmentation via factor-adjusted vector autoregressive modelling
向量自回归（VAR）模型被广泛用于建模高维时间序列，其分段扩展允许数据中的结构变化。在VAR建模中，参数的数量随着维数的平方增长，这使得在高维中需要稀疏性假设。然而，这是有争议的，是否这样的假设是足够的处理数据集表现出强烈的序列和横截面的相关性。我们提出了一个分段平稳的时间序列模型，同时允许强相关性以及结构变化，其中普遍的序列和横截面的相关性占一个随时间变化的因素结构，和任何剩余的特质变量之间的依赖是由分段平稳VAR模型处理。我们提出了一个附带的两阶段的数据分割方法，充分解决了组件过程的延迟所带来的挑战。它在估计潜在分量中变化点的总数和位置方面的一致性是在比现有文献中的条件更一般的条件下建立的。我们证明了所提出的方法在模拟数据集上的竞争力表现，并应用于美国蓝筹股数据。
2023-01-20 stat.ME
Generalized Autoregressive Neural Network Models
时间序列是按时间顺序进行的观测序列。自回归积分移动平均是一类多用于时间序列数据的模型。然而，这类模型有两个关键的限制。它只适用于具有线性相关结构的高斯数据.在这里，我提出了一个新的模型命名为广义自回归神经网络，GARNN。GARNN是广义线性模型的扩展，其中通过在链接函数中包含神经网络，平均边际取决于滞后值。该模型的实际应用是使用Zeger和Qaqish（1988）分析的一个著名的脊髓灰质炎病例数，
2020-02-13 stat.ME
Portfolio optimization with mixture vector autoregressive models
获得条件协方差阵的可靠估计是异方差多元时间序列的一项重要任务。在投资组合优化和金融风险管理中，尽可能准确地提供不确定性和风险的度量至关重要。我们建议使用混合向量自回归（MVAR）模型进行投资组合优化。MVAR模型结合了依赖于过程最近历史的分布的混合物，可以适应多变量时间序列数据中的不对称性、多模态性、异方差性和交叉相关性。对于正态成分的混合，我们利用多元正态分布的一个性质，得到了资产组合收益率的条件预测分布的显式公式。在展示了该方法的工作原理之后，我们对真实的股票收益数据与其他相关的多元时间序列模型进行了比较。
2022-09-15 stat.ME
An Autoregressive Model for Time Series of Random Objects
本文提出一种适用于Hadamard空间中随机对象时间序列的线性自回归模型，证明了Fréchet均值与集中度参数的一致估计，并构建了无序列自相关假设的检验统计量，通过模拟和通胀预期分析验证了方法的有效性。
2024-09-22 stat.ME
Multivariate Count Time Series Modelling
本文综述了自回归模型在多变量计数时间序列分析中的应用。在这样做时，我们讨论了一个合适的分布的向量计数随机变量的选择。本文综述了多元计数时间序列分析的三种主要方法：（a）整数自回归过程，（b）参数驱动模型和（c）观测驱动模型。这项工作的目的是突出一些最近的方法发展，并提出一些潜在的有用的研究课题。
2021-09-19 stat.ME
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
Discrete Autoregressive Switching Processes with Cumulative Shrinkage Priors for Graphical Modeling of Time Series Data
针对多元时间序列的稀疏高斯图建模问题，提出结合隐藏离散自回归过程、图马蹄形先验和累积收缩先验的贝叶斯方法，可估计状态数与滞后数，经模拟验证性能，还能用于基于fMRI数据的动态脑连接估计。
2025-08-19 stat.ME
Multi-linear Tensor Autoregressive Models
当代的时间序列分析已经看到越来越多的张量类型的数据，从许多领域。例如，股票可以根据规模、账面市值比和营业利润率进行分组，从而在每个月进行3向张量观察。我们提出了一个张量值时间序列的自回归模型，自回归项依赖于多线性系数矩阵。与传统的先对张量观测值进行向量化，再应用向量自回归模型的方法相比，张量自回归模型保留了张量结构，并允许相应的解释。我们介绍了三种估计的基础上投影，最小二乘，和极大似然。我们的分析同时考虑了固定维和高维设置。对于前者，我们建立了估计量的中心极限定理;对于后者，我们着重讨论了估计量的收敛速度和模型选择。通过模拟和实际例子证明了该模型的性能。
2021-10-03 stat.ME
Generalised Network Autoregressive Processes and the GNAR package
本文介绍了GNAR软件包，该软件包拟合、预测和模拟了一类功能强大的新广义网络自回归过程。这些过程由多变量时间序列以及提供变量间关系信息的真实或推断网络组成。GNAR模型将给定变量和时间的时间序列的值与同一变量和相邻变量的较早值联系起来，并由网络结构控制是否包含。GNAR包旨在适应这种新模型，同时使用标准ts对象和igraph包以便于使用。
2019-12-10 stat.ME
Wasserstein Exponential Smoothing for Distributional Time Series Forecasting
The University of Sydney Business School（悉尼大学商学院）
本文提出 Wasserstein 空间中的指数平滑方法，用于分布时间序列预测，并证明通过最小化 Wasserstein 距离可一致估计平滑参数。
2026-08-24 math.ST stat.ME stat.ML
Vector Autoregressive Models with Spatially Structured Coefficients for Time Series on a Spatial Grid
我们提出了一个空间网格上的时间序列数据的简约时空模型。我们的模型是能够处理高维时间序列数据，可以收集在数百个位置和捕捉空间非平稳性。从本质上讲，我们的模型是一个向量自回归模型，利用空间结构，以实现简约的自回归矩阵在两个层次上。第一级使用滞后邻域方案确保自回归矩阵的稀疏性。第二级执行非零自回归系数的空间聚类，使得附近的位置共享相似的系数。该模型是可解释的，可以用来确定地理分区，在每个区域内，时间序列具有相似的动力学行为，具有齐次自回归系数。模型参数的获得使用惩罚的极大似然与自适应融合Lasso惩罚。估计过程易于实现，并且可以根据建模者的需要进行定制。我们说明了所提出的估计算法在模拟研究的性能。我们将我们的模型应用于沙特阿拉伯的气候模型产生的风速时间序列数据集，以说明其实用性。我们的方法的局限性和可能的扩展进行了讨论。
2021-02-28 stat.AP stat.ME
A robust approach for testing parameter change in Poisson autoregressive models
参数变化检验一直是时间序列分析中的一个重要问题。在整数值时间序列领域中也积极地探索了这个问题，但是在异常值存在的情况下的测试还没有被广泛地研究。本文研究了Poisson自回归模型中参数变化的检验问题，特别是当观测值被异常值污染时。为了减少异常值对检验过程的影响，我们提出了一种基于Basu等人（Biometrika，1998）提出的密度幂散度的检验方法，并推导了其极限零分布。蒙特卡罗模拟结果表明了该方法的有效性和较强的鲁棒性。
2019-08-29 stat.ME
Ancestor regression in structural vector autoregressive models
本文提出一种适用于线性结构向量自回归模型的新因果发现方法，将独立观测下的思想扩展到时间序列，并保持渐近误差控制，在多个真实双变量时间序列数据上验证了其有效性。
2024-12-30 stat.ME
Regularized Estimation of High-Dimensional Matrix-Variate Autoregressive Models
本文针对高维矩阵变量时间序列，提出了带状和LASSO稀疏两种正则化估计方法以降低双线性自回归模型的参数维度，推导了渐近性质，并通过模拟与真实数据验证了其优越的预测性能。
2024-10-15 stat.ME
Oracally Efficient Estimation of Functional-Coefficient Autoregressive Models
非线性自回归模型对于许多自然过程的建模是非常有用的，然而，这类模型的规模很大。函数系数自回归模型（FCAR）是减少此类模型规模的有用结构。虽然这种结构减少了非线性模型的类别，但它足够广泛，可以包括一些常见的时间序列模型作为特定情况。估计非线性时间序列数据的一个最新发展是样条反拟合核（SBK）方法。该方法结合了样条函数的计算速度和核光滑的渐近性质。为了估计模型中的分量函数，所有其他分量函数都用样条进行预估计，然后取观测到的时间序列和预估计的差。然后将该差异用作伪响应，针对该伪响应，使用核平滑来估计感兴趣的函数。通过以这种方式构造估计，该方法不会遭受维数灾难。在本文中，我们适应SBK方法FCAR模型。
2015-05-29 stat.ME
An Efficient and Interpretable Autoregressive Model for High-Dimensional Tensor-Valued Time Series
本文提出一种基于CP分解的监督因子建模方法，通过低秩加稀疏结构实现高维张量时间序列的高效降维与可解释自回归建模。
2025-06-02 stat.ME
Parsimonious Modeling of Periodic Time Series Using Fourier and Wavelet Techniques
本文针对周期性金融时间序列中传统PGARCH和PACD模型参数过多的问题，提出基于傅里叶和小波的方法，构建更简约的模型并提升预测效率，通过模拟与数据分析验证其有效性。
2025-05-09 stat.ME
Beta Regression with Autoregressive Errors for Interrupted Time Series Analysis of Proportion and Rate Outcomes: A Simulation Study
University of California, San Francisco（旧金山加利福尼亚大学）
研究针对比例和速率结果的中断时间序列分析，介绍了betark方法，它是具有AR(k)误差的贝塔回归的联合条件最大似然估计器，通过递归替换实现。蒙特卡罗研究表明其在多数情况校准更好，能直接考虑自相关，相比其他方法有优势，但在特定条件下自身I型错误仍较高。
2026-10-28 stat.ME
Normal Inverse Gaussian Autoregressive Model Using EM Algorithm
本文介绍了正态逆高斯自回归模型。模型的参数估计使用期望最大化（EM）算法。期望最大化算法的有效性显示使用模拟和真实世界的金融数据。结果表明，NIG自回归模型非常适合所考虑的金融数据，因此可以在各种现实生活中的时间序列数据建模。
2021-07-15 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
Generalized Autoregressive Moving Average Models with GARCH Errors
广义自回归模型平均模型（GARMA）是一类重要且广泛使用的非高斯时间序列模型，它为基础时间序列的条件均值过程指定了ARMA结构。然而，在许多应用中，人们经常遇到条件异方差。在本文中，我们提出了一类新的模型，称为GARMA-GARMA模型，共同指定的条件均值和条件方差过程的一般非高斯时间序列。在一般的建模框架下，我们提出了三个具体的模型，作为例子，比例时间序列，非负时间序列，和倾斜和重尾金融时间序列。采用极大似然估计和拟高斯极大似然估计进行参数估计。仿真研究和三个应用程序被用来证明模型和估计程序的属性。
2021-05-12 econ.EM stat.ME
Statistical analysis of Wasserstein GANs with applications to time series forecasting
我们在依赖观察的框架下为有条件和无条件Wasserstein生成对抗网络（WGAN）提供了统计理论。我们证明了上界的WGAN估计相对于修改Wasserstein型距离的超额贝叶斯风险。此外，我们形式化，并推导出报表上的弱收敛的估计，并使用它们来开发置信区间的新的观察。该理论被应用到高维时间序列预测的特殊情况。我们分析了基于合成数据的模拟中估计器的行为，并研究了一个真实的温度数据示例。数据的依赖性用绝对规则的β混合系数量化。
2020-11-05 math.ST stat.ML stat.TH
Functional Time Series Forecasting of Distributions: A Koopman-Wasserstein Approach
本文提出一种基于Koopman算子和Wasserstein几何的分布时间序列预测方法，通过重要性加权EDMD实现闭式预测，并在理论和房价数据上验证了其优于现有方法的性能。
2025-09-01 stat.AP
Automated regime classification in multidimensional time series data using sliced Wasserstein k-means clustering
Citigroup, London, UK（伦敦英国摩根大通公司）；Data Science Institute, London School of Economics, London, UK（伦敦经济学院数据科学研究所）
提出切片Wasserstein k-means聚类方法，通过近似多维Wasserstein距离，实现多维时间序列数据的自动制度分类，并在合成数据和真实外汇数据中验证有效性。
2026-05-24 cs.LG q-fin.CP q-fin.MF
Beyond Equidistant Assumptions: An Autoregressive Ordered Stereotype Model for Ordinal Time Series
Athens University of Economics and Business（雅典经济与商业大学）；Universitat Politècnica de Catalunya -BarcelonaTech (UPC)（加泰罗尼亚理工大学）
提出自回归有序刻板模型（AR-OSM），通过引入滞后响应作为协变量捕捉序列依赖，允许数据决定类别间距而非假设等距，适用于婴儿睡眠状态等不等距场景。
2026-06-29 stat.AP stat.ME
Short-term time series prediction using Hilbert space embeddings of autoregressive processes
线性自回归模型是离散时间随机过程的基本表示。已经进行了不同的尝试来提供基本自回归过程的非线性版本，包括基于核方法的不同版本。受Hilbert空间分布嵌入的强大框架的启发，本文将这种方法应用于$p$阶自回归过程的核嵌入。通过这样做，我们提供了一个非线性版本的自回归过程，表现出在高度复杂的时间序列的线性模型的性能提高。我们使用所提出的方法对不同的时间序列进行一步预测，并将其性能与其他非线性方法进行比较。
2016-03-16 stat.ML
Temporal Clustering of Time Series via Threshold Autoregressive Models: Application to Commodity Prices
本研究旨在使用门槛非线性自回归模型来发现几种商品价格的时间集群。预计确定随时间变化的商品类别的过程将增进目前对共同变动和连贯价格动态的了解，并可作为多变量时间序列分析的基础。商品价格的聚类分析采用了基于时间序列模型的聚类方法，将价格序列的时变特性纳入聚类方案。因此，在这项研究中的主要目的是分组时间序列根据其数据生成机制（DGMs）之间的相似性，而不是比较模式相似性的时间序列的痕迹。每个系列的DGM的近似值是使用阈值自回归模型，这是公认的代表时间序列中的非线性特征，如突变，时间不可逆性和政权转移行为的能力。通过使用所提出的方法，可以确定和监视跨时间维度的共同移动的时间序列变量的集合。此外，生成随时间变化的商品价格指数和子指数也成为可能。因此，我们进行了模拟研究，以评估所提出的聚类方法的有效性和结果的模拟和真实的数据集。
2016-05-03 stat.AP stat.ME stat.ML
Novel bivariate autoregressive model for predicting and forecasting irregularly observed time series
在一些学科中，发现在不规则的观测时间测量的时间序列是常见的。特别是在天文学中，有大量的调查，收集信息的不规则的时间间隔和一个以上的通带。一些例子是Pan-STARRS，ZTF和LSST。然而，目前常用的时间序列模型估计的天文光变曲线的时间依赖性（如CIAR，IAR和CARMA模型）考虑每个波段的信息分开，而忽略了可能存在的依赖性，不同的通带之间。本文提出了一种新的不规则采样时间序列的二元模型，称为二元不规则自回归（BIAR）模型。BIAR模型假设每个时间序列具有自回归结构，它是平稳的，并且它允许估计两个不等间隔时间序列之间的自相关性，互相关性和当代相关性。我们在g和r波段的光变曲线上实现了BIAR模型，这些光变曲线是从ALERCE代理处理的ZTF警报中获得的。我们表明，如果两个波段的光变曲线高度相关，该模型具有更准确的预测和预测，使用双变量模型比类似的方法，只使用单变量信息。此外，BIAR的估计参数对于表征长周期变星和区分随机物体的类别很有用，提供了可用于分类目的的有希望的特征
2021-04-25 astro-ph.IM stat.ME
Wasserstein and Convex Gaussian Approximations for Non-stationary Time Series of Diverging Dimensionality
本文针对高维非平稳时间序列，基于 2-Wasserstein 距离和凸集族建立通用高斯近似理论，并用乘子自助法实现，支撑两类新的统计推断应用。
2025-06-10 math.PR math.ST stat.ME
Autoregressive with Slack Time Series Model for Forecasting a Partially-Observed Dynamical Time Series
The Institute of Statistical Mathematics（统计数理研究所）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Kyoto University（京都大学）；Hitotsubashi University（一桥大学）
提出自回归带松弛时间序列模型，同时估计演化函数并填补缺失变量，以预测部分观测动态时间序列，并理论证明二维线性系统可由单维观测重构。
2024-02-09 cs.LG stat.ME stat.ML
Sensitivity Analysis of Error-Contaminated Time Series Data under Autoregressive Models with Application of COVID-19 Data
自回归（AR）模型是时间序列分析中非常有用的工具。在这种模型下的推断在存在测量误差的情况下被扭曲，这在实践中是非常常见的。在这篇文章中，我们建立了分析结果量化的参数估计在AR模型的偏差，如果测量误差的影响被忽略。我们提出了两个测量误差模型来描述数据污染的不同过程。提出了一种估计方程的方法来估计模型参数的测量误差的影响占。我们进一步讨论预测使用所提出的方法。我们的工作受到COVID-19数据的启发，由于多种原因，包括无症状病例和不同的潜伏期，这些数据受到错误的影响。我们通过对加拿大四个人口最多的省份的COVID-19死亡率进行敏感性分析和预测来实施我们提出的方法。结果表明，纳入或不纳入测量误差的影响产生相当不同的结果参数估计和预测。
2020-08-13 stat.AP stat.ME
Estimation of Poisson Autoregressive Model for Multiple Time Series
本文将泊松自回归（PAR）模型视为加性模型，采用三次平滑样条与极大似然估计的混合方法进行参数估计，并将其推广至多重计数时间序列，发现该方法在计数值较大时优于状态空间方法且对结构变化具有稳健性。
2021-04-28 stat.CO stat.ME
Conditional Lagrangian Wasserstein Flow for Time Series Imputation
Soochow University（苏州大学）；Aalborg University（奥尔堡大学）
本文提出条件拉格朗日Wasserstein流（CLWF）用于时间序列插补，通过最小化动能学习速度，并利用去噪自编码器估计势函数梯度以降低采样方差，性能优于现有扩散模型方法。
2025-05-07 cs.LG stat.ML
Bounds in Wasserstein Distance for Locally Stationary Functional Time Series
本文针对局部平稳函数型时间序列，在协变量处于半度量空间的设定下研究Nadaraya-Watson条件分布估计，并在小球概率与混合条件下给出其关于Wasserstein距离的收敛速率，同时通过模拟和真实数据验证了有限样本性能。
2025-04-08 math.ST stat.ML stat.TH
Reduced-Rank Autoregressive Models for Matrix Time Series
Rutgers University（罗格斯大学）；University of Notre Dame（圣母大学）
本文针对大规模矩阵时间序列，提出对矩阵自回归模型系数矩阵施加降秩约束以进一步降维，并研究估计与秩确定方法，理论和实证表明其统计效率更高。
2026-09-25 econ.EM math.ST stat.ME
The Wasserstein-Fourier Distance for Stationary Time Series
IRIT, Université de Toulouse, CNRS（图卢兹大学法国国家科学研究中心图卢兹信息学研究所）；Imperial College London（帝国理工学院）；Center for Mathematical Modeling, Universidad de Chile（智利大学数学建模中心）
我们提出了Wasserstein-Fourier（WF）距离来衡量（不）时间序列之间的相似性，通过量化它们的能量跨频率的位移。WF距离通过计算时间序列的（归一化）功率谱密度（NPSD）之间的瓦瑟斯坦距离来操作。然而，这个理由已被认为是在过去，我们填补了一个空白，在公开文献中提供了一个正式的介绍这种距离，连同其主要属性从联合角度的傅立叶分析和最佳运输。由于这项工作的主要目的是验证WF作为一个通用的度量时间序列，我们说明了它的适用性在三个广泛的背景下。首先，我们依靠WF来实现NPSD的PCA式降维，从而实现有意义的可视化和模式识别应用。其次，我们表明，WF诱导的NPSDs的空间上的几何形状承认之间的测地插值时间序列，从而使数据增强的频谱域，平均两个信号的动态内容。第三，我们实现WF的时间序列分类使用参数/非参数分类器，并将其与其他经典的度量。支持的理论结果，以及合成插图和实验对现实世界的数据，这项工作建立WF作为一个有意义的和有能力的资源有关的一般基于距离的应用程序的时间序列。
2020-12-11 cs.LG eess.SP stat.ML
An Interpretable and Efficient Infinite-Order Vector Autoregressive Model for High-Dimensional Time Series
本文提出一种稀疏无限阶VAR模型，通过分离时间与截面结构并施加稀疏性假设，结合$\ell_1$正则化估计和BIC阶数选择，在高维时间序列中实现高效且可解释的VARMA型动态建模。
2024-02-24 stat.ME stat.ML
Bivariate generalized autoregressive models for forecasting bivariate non-Gaussian times series
本文提出双变量广义自回归（BGAR）模型，将 VAR 推广到非正态指数族时间序列，利用条件最大似然估计并给出闭式推断工具，在巴西钩端螺旋体病数据上取得优于 GARMA、ARIMA 和 VAR 的预测效果。
2025-07-19 math.ST stat.AP stat.ME
First-order multivariate integer-valued autoregressive model with multivariate mixture distributions
本文提出一阶多元整数值自回归模型以灵活刻画多元整数值时间序列的相关结构，建立平稳性与遍历性，并基于EM算法进行参数估计，通过模拟和真实犯罪数据验证了模型优势。
2023-11-30 stat.CO stat.ME
