Uniform Inference for Cointegrated Vector Autoregressive Processes
针对协整向量自回归过程中最小二乘渐近分布不连续导致的推断难题，本文将单变量渐近结果推广到多维，并证明滞后增广与工具变量方法可构造一致有效检验和置信区域。
2023-12-07 econ.EM math.ST stat.TH
Quasi-maximum Likelihood Inference for Linear Double Autoregressive Models
本文针对线性双自回归模型，在仅分数矩条件下提出两种拟极大似然估计量及配套模型选择准则与诊断检验，通过模拟和实例验证了其有效性。
2024-02-01 math.ST stat.ME stat.TH
Bootstrap-based inferential improvements in beta autoregressive moving average model
研究了Beta自回归移动平均模型中小样本精确推断的问题，该模型适用于假设值在区间$(0,1)$内的连续变量的建模和预测.基于条件极大似然估计的推断具有良好的渐近性质，但在小样本情况下其性能可能较差。这样，我们提出了点估计量的自举偏差校正和不同的自举策略，以提高置信区间。我们的蒙特卡罗模拟表明，基于自举校正的有限样本推断比通常的推断可靠得多。我们还提出了一个实证应用。
2017-02-14 stat.CO
Inference of High-dimensional Autoregressive Generalized Linear Models
向量自回归模型表征了各种时间序列，其中当前和过去观测值的线性组合可以用于准确地预测未来观测值。例如，观察向量的每个元素可以对应于网络中的不同节点，并且自回归模型的参数将对应于网络结构对时间序列演化的影响。这些模型通常在实践中成功地用于学习社会、流行病学、金融或生物神经网络的结构。然而，鲜为人知的是，统计保证估计这些模型在非高斯设置。本文讨论的自回归参数和相关的网络结构的推断在一个广义线性模型框架内，包括泊松和伯努利自回归过程。该分析的核心是稀疏正则化的极大似然估计。虽然稀疏正则化在统计学和机器学习社区中得到了很好的研究，但由于观察结果中固有的相关性和潜在的异方差性，这些分析方法不能应用于自回归广义线性模型。利用鞅集中不等式和现代经验过程技术的组合，得到了相依随机变量的样本复杂性界。这些界限，这是支持几个模拟研究，表征各种网络参数对估计性能的影响。
2017-06-24 cs.IT math.IT math.ST
Signal Detection and Inference Based on the Beta Binomial Autoregressive Moving Average Model
本文提出了β二项式自回归滑动平均模型（BBARMA）的量化幅度数据和有界计数数据建模。BBARMA模型通过动态结构估计随时间观察到的贝塔二项式分布变量的条件平均值，该动态结构包括：（i）自回归和移动平均项;（ii）一组回归量;以及（iii）链接函数。除了介绍新的模型，我们开发的参数估计，检测工具，信号外的预测方案，和诊断措施。特别是，我们提供了封闭形式的表达式的条件得分向量和条件信息矩阵。为了评估条件极大似然估计器和所提出的检测器的性能，将所提出的模型提交给广泛的蒙特卡罗模拟。推导出的检测器优于通常的ARMA和高斯为基础的检测器的正弦信号检测。我们还提出了一个实验，在累西腓，巴西的月降雨天数的建模和预测。
2022-07-29 eess.SP math.ST physics.data-an
Black-Box Autoregressive Density Estimation for State-Space Models
Newcastle Univeristy（纽卡斯尔大学）
状态空间模型（SSM）为时间序列数据建模提供了一个灵活的框架。因此，SSM被广泛应用于工程、计量经济学和流行病学等领域。在本文中，我们提供了一个快速的方法，近似贝叶斯推断在SSM使用深度学习和变分推断的工具。
2018-11-21 cs.LG stat.ML
Iterative Neural Autoregressive Distribution Estimator (NADE-k)
Aalto University（阿尔托大学）；Université de Montréal（蒙特利尔大学）
神经自回归密度估计器（NADE）的训练可以看作是对数据中的缺失值进行概率推断的一步。我们提出了一个新的模型，扩展此推理方案的多个步骤，认为它是更容易学习，以提高重建$k$步骤，而不是学习重建在一个单一的推理步骤。所提出的模型是深度学习的无监督构建块，结合了NADE和多预测训练的理想特性：（1）其测试可能性可以通过分析计算，（2）很容易从中生成独立样本，（3）它使用的推理引擎是Boltzmann机的变分推断的超集。建议NADE-k是竞争力的国家的最先进的密度估计的两个数据集上测试。
2014-12-06 cs.LG stat.ML
Score Permutation Based Finite Sample Inference for Generalized AutoRegressive Conditional Heteroskedasticity (GARCH) Models
Institute for Computer Science and Control (SZTAKI)（计算机科学与控制研究所（SZTAKI））；Hungarian Academy of Sciences (MTA)（匈牙利科学院（MTA））
（条件）异方差的标准模型，即，广义自回归条件异方差（GARCH）模型是指过程的方差随时间变化的现象，它在经济学和金融学中具有重要意义。GML模型通常由准极大似然（QML）方法估计，该方法在温和的统计假设下工作。在这里，我们提出了一个有限样本的方法，称为ScoPe，构建分布免费的置信区域周围的QML估计，有确切的覆盖概率，尽管没有额外的假设矩。ScoPe的灵感来自于最近开发的符号扰动和（SPS）方法，但不能应用于Gynecology的情况。ScoPe的工作原理是使用随机排列的残差扰动得分函数。这产生了导致精确置信区域的替代样本。模拟和股票市场的数据上的实验也提出了，和Scope相比，渐近理论和自助方法。
2018-07-23 cs.LG econ.EM math.DS
Statistical inference of partially linear time-varying coefficients spatial autoregressive panel data model
本文研究含固定效应与时变系数的部分线性空间自回归面板数据模型，提出2SLS-PLLDV方法估计系数并推导渐近性质，构建基于残差的拟合优度检验与自助法获取p值，模拟与实证均验证了方法的有效性。
2024-10-14 math.ST stat.TH
Estimation and Inference for Multivariate Continuous-time Autoregressive Processes
本文针对多元Lévy驱动连续时间自回归过程的漂移参数，推导了连续观测下的一致渐近正态极大似然估计，还提出适配非等间隔观测的离散化估计方法，拓展了带图结构的GrCAR模型，并通过模拟验证了有限样本性质。
2023-07-24 math.ST stat.ME stat.TH
Normalizing Flows with Multi-Scale Autoregressive Priors
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；TU Darmstadt（达姆施塔特工业大学）
基于流的生成模型是一类重要的精确推理模型，它允许有效的推理和采样，用于图像合成。由于对流层的设计的效率约束，例如其中大约一半的像素不经历进一步变换的分离耦合流层，与依赖于条件逐像素生成的自回归模型相比，它们对于建模长范围数据依赖性具有有限的表现力。在这项工作中，我们通过多尺度自回归先验（mAR）在其潜在空间中引入通道依赖关系来提高基于流的模型的表示能力。我们的mAR先验模型与分裂耦合流层（mAR-SCF）可以更好地捕捉复杂的多模态数据的依赖性。由此产生的模型在MNIST、CIFAR-10和ImageNet上实现了最先进的密度估计结果。此外，我们表明，mAR-SCF允许改进的图像生成质量，与最先进的基于流的模型相比，FID和Inception分数有所提高。
2020-04-08 cs.CV cs.LG stat.ML
Penalised inference for autoregressive moving average models with time-dependent predictors
近年来，包含时间依赖响应和解释变量的线性模型引起了人们的极大兴趣。现有方法的最一般形式是具有自回归移动平均残差的线性回归模型。添加移动平均分量会导致模型复杂，实现起来非常困难。在本文中，我们提出的时间依赖性的数据，明确加入自回归项的响应变量的线性模型。此外，我们考虑了自回归过程的错误，以捕捉复杂的动态关系吝啬。为了拓宽模型的应用，我们提出了一个$l_1$惩罚似然方法的参数估计，并显示如何自适应套索罚款导致估计享有预言属性。此外，我们证明了估计的一致性，相对于在高维设置的均方预测误差，尚未考虑由现有的时间依赖回归模型的一个方面。仿真研究和实际数据分析表明，该模型在股票指数的财务数据上得到了成功的应用。
2015-01-06 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
On a simultaneous parameter inference and missing data imputation for nonstationary autoregressive models
本文研究了时间序列分析中的缺失数据问题，重点研究了存在缺失数据时模型参数的估计和缺失数据的重建。用于解决这些问题的标准方法（如极大似然估计或贝叶斯推断）依赖于先验假设（如缺失数据的高斯或平稳行为），并且在这些假设未得到满足的情况下可能导致偏倚结果。为了更进一步，我们将模型参数有界变差的外生因子向量自回归模型的有限元方法（FEM-VARX）扩展到处理缺失数据问题。该方法在考虑时间序列和所涉及的外生因素的情况下，同时估计模型参数和重建缺失数据。由此产生的计算框架进行了比较，国家的最先进的方法对一组测试案例，并作为开放源码软件。
2019-12-30 stat.ME
Bayesian inference of sparsity in stable vector autoregressive processes
Durham University（杜伦大学）；Newcastle University（纽卡斯尔大学）
本文提出一种贝叶斯方法，通过参数扩展同时实现稳定性和稀疏性，应用于宏观经济和神经科学领域。
2026-05-06 stat.ME
Functional Autoregressive Processes in Reproducing Kernel Hilbert Spaces
本文研究了函数自回归~（FAR）过程的估计和预测，这是一种用于函数时间序列数据建模的统计工具。由于FAR过程的无限维性质，现有文献通过降维来解决其推理问题，并且其中的理论结果需要完全观察到的功能时间序列的（不切实际的）假设。本文提出了一种基于再生核Hilbert空间RKHS的推理框架。具体而言，核范数正则化方法提出了直接从函数时间序列的离散样本估计的FAR过程的转移算子。我们推导出一个表示定理的FAR过程，这使得无限维推理没有降维。尖锐的理论保证建立在（更现实的）假设下，我们只有有限的离散样本的FAR过程。大量的数值实验和能源消耗预测的实际数据应用进一步进行说明所提出的方法相比，在文献中的国家的最先进的方法有前途的性能。
2020-11-27 stat.ME
Non-standard inference for augmented double autoregressive models with null volatility coefficients
本文考虑了一个增广双自回归模型，该模型允许波动系数为零，以避免DAR模型中的过参数化问题。由于波动率系数可能在边界上，基于高斯拟极大似然估计（GQMLE）的统计推断方法变得不标准，其渐近性要求数据具有有限的六阶矩，这就缩小了研究重尾数据的适用范围。为了克服这一缺陷，本文提出了一个系统的统计推断过程的基础上的自加权GQMLE的增强DAR模型。除Lagrange乘子检验统计量外，Wald检验统计量、拟似然比检验统计量和Portmanteau检验统计量均具有非标准渐近性。整个过程是有效的，只要数据是平稳的，它的有用性说明了模拟研究和一个真实的例子。
2019-05-06 econ.EM stat.ME
Bayesian Varying-Effects Vector Autoregressive Models for Inference of Brain Connectivity Networks and Covariate Effects in Pediatric Traumatic Brain Injury
提出贝叶斯变效应向量自回归模型，利用高斯过程混合先验和变分推断，同时估计组特异性脑网络并识别年龄、性别等协变量效应。
2024-05-01 stat.ME
Autoregressive hidden Markov models for high-resolution animal movement data
本文提出带一般阶自回归成分的隐马尔可夫模型，用于刻画高分辨率动物移动数据中的强状态内相关性，并通过lasso自动选阶，模拟和燕鸥轨迹数据验证了其改进推断的效果。
2024-12-16 stat.ME
Generalized Poisson Difference Autoregressive Processes
本文引入一个新的值在带符号整数集合Z中的随机过程。过程的增量是Poisson差，动力学具有自回归结构。我们研究了该过程的性质，并利用稀疏表示导出了该过程的平稳性条件和平稳分布。我们提供了一个贝叶斯推断方法和一个有效的后验近似过程的基础上蒙特卡罗。仿真和实际数据的数值例子表明了所提出的推断的有效性。
2020-02-11 econ.EM stat.ME
Bayesian Inference for Non-Gaussian Simultaneous Autoregressive Models with Missing Data
University of Wollongong（伍伦贡大学）
本文提出非高斯同时自回归模型的贝叶斯推断方法，通过引入学生t分布、变换响应变量等方法处理厚尾和偏斜数据，并结合混合VB方法处理缺失数据。
2025-12-15 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
Multivariate stochastic volatility modelling using Wishart autoregressive processes
提出了一种新的金融时间序列多元随机波动率估计方法。波动率精度协方差矩阵采用Wishart自回归过程，其估计采用两步法。第一步是对自回归参数的条件推断，第二步是基于Newton-Raphson迭代算法的无条件推断。所提出的方法，这主要是贝叶斯，是适合于中维数据，它的桥梁之间的差距封闭形式的估计和基于模拟的估计算法。一个由外汇汇率数据组成的例子说明了所提出的方法。
2013-11-03 q-fin.CP stat.ME
Scalable Sparse Autoregressive Variational Inference for Non-Gaussian Spatial Fields
The Ohio State University（俄亥俄州立大学）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本文针对非高斯空间场后验分布难以解析求解的问题，提出一种可扩展稀疏自回归变分推断框架，结合归一化流与双重随机优化，实现高效近似推断。
2026-10-12 cs.LG stat.CO stat.ME
Inference for multiple change-points in generalized integer-valued autoregressive model
本文提出似然比扫描方法（LRSM）估计广义整数值自回归模型中的多个变点，并开发参数与块自助法构建置信区间，模拟和真实数据验证了其有效性。
2024-04-22 stat.AP stat.ME
Autoregressive models for panel data causal inference with application to state-level opioid policies
本文提出基于自回归模型的因果推断方法，用于评估州级阿片类药物政策（PDMPs、NALs、医用大麻法）的效果，并通过模拟验证其优于现有方法。
2025-10-15 stat.AP stat.ME
Bootstrap Prediction Inference of Non-linear Autoregressive Models
针对 NLAR 模型多步预测中迭代法次优及预测区间有限样本覆盖不足的问题，提出 bootstrap 最优点预测与预测区间构造方法，并用预测残差改进覆盖性能。
2023-06-07 math.ST stat.ME stat.TH
Bayesian Model Selection for Beta Autoregressive Processes
本文研究了Beta自回归过程的贝叶斯推断。我们限制我们的注意力的类的条件线性过程。这些过程特别适合于预测目的，但是由于对参数空间的约束而难以估计。我们提供了一个完整的贝叶斯方法的估计，包括在推理问题的参数限制的先验分布的一个合适的规格。此外，在贝叶斯框架中，参数估计和模型选择可以同时解决。特别是，我们提出了一个马尔可夫链蒙特卡罗（MCMC）程序的基础上，吉布斯算法内的大都会黑斯廷斯和解决模型选择问题的可逆跳MCMC方法。
2010-07-31 math.ST stat.CO stat.ME
On Counterfactual Interventions in Vector Autoregressive Models
Department of Electrical；Computer Engineering, Stony Brook University, Stony Brook, NY 11794, USA
本文提出在向量自回归模型中引入反事实推理，通过联合回归学习因果模型，并利用线性特性精确预测干预效果及量化总因果效应。
2024-06-27 cs.LG eess.SP stat.ME
Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders
TU Graz（格拉茨技术大学）；Levata GmbH（Levata公司）
本文提出通过将结构边际化分解为因果序和给定序下DAG的边际化，并设计自回归分布ARCO进行采样近似，实现高效的贝叶斯因果推断，在结构学习和因果效应估计上优于现有方法。
2025-04-23 cs.AI cs.LG stat.ME
Autoregressive Asymmetric Linear Gaussian Hidden Markov Models
Universidad Politécnica de Madrid（马德里理工大学）；Aingura IIoT（Aingura工业物联网公司）
本文提出一种带非对称自回归成分的隐马尔可夫模型，能自适应选择自回归阶数以最大化惩罚似然，并适配推理、解码与学习，实验验证其有效性。
2020-10-27 cs.LG stat.AP stat.ME
