Parallel gradient boosting for flexible estimation of conditional distributions
Université Paris-Saclay（巴黎萨克雷大学）；UVSQ（凡尔赛圣康丁伊夫林大学）；Inserm（法国国家健康与医学研究院）；CESP（健康与医学研究中心）；Université Paris Cité（巴黎西岱大学）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）；CNRS（法国国家科学研究中心）；SSA（法国军队卫生服务局）；Centre Borelli（博雷利中心）；École du Val-de-Grâce（瓦尔-德-格拉斯学校）；Service de Santé des Armées（法国军队卫生服务局）
研究针对多输出预测中条件分布估计的难题，提出并行梯度提升算法，通过共同下降方向减少计算量，在多变量回归设置中性能优于现有库，所得估计器在高维及复杂协变量情况下表现出色。
2026-10-23 cs.LG stat.ML
Flexible Specification Testing in Quantile Regression Models
本文提出了三种新的分位数回归模型的一致性规格检验方法，从三个方面推广了以往的检验方法。首先，我们允许协变量效应是分位数依赖的和非线性的。其次，我们允许通过适当的基函数参数化条件分位数函数，而不是参数化。因此，我们能够测试超出线性的函数形式，同时保留线性效应作为特殊情况。在这两种情况下，诱导类的条件分布函数进行了测试与Cramér-von Mises型检验统计量，我们推导出的理论极限分布，并提出了一个自助法。第三，为了增加检验的功效，我们进一步提出了一种改进的检验统计量。我们强调我们的测试在详细的MC研究和两个真实数据的例子的优点。我们对德国条件收入分配的第一次应用表明，在以年龄和年份为条件时，不仅东西方之间仍然存在显著差异，而且条件收入分配的分位数之间也存在显著差异。从澳大利亚国家电力市场的数据的第二个应用程序揭示了使用交互作用的重要性，建模的高度倾斜和重尾分布的能源价格条件的一天，一天中的时间和需求。
2021-12-05 math.ST stat.ME stat.TH
Flexible Bivariate INGARCH Process With a Broad Range of Contemporaneous Correlation
针对相关计数时间序列数据，提出了一种新的灵活的二元条件泊松整数值广义自回归条件异方差模型。我们提出的BCP-INGARGE模型在数学上是易于处理的，并且作为现有双变量INGARGE模型的主要优势，其能够捕获广泛的（负和正）同期互相关，这是一个重要的进步。研究了BCP-ING过程的平稳性和遍历性。参数的估计是通过条件极大似然（CML）和有限样本的估计量的行为进行了研究，通过模拟研究。CML估计量的渐近性质。额外的模拟研究比较和对比的方法，获得标准误的参数估计值，其中自助选项被证明是有利的。时间序列之间的同期相关性的存在的假设检验方法，并进行评估。我们将我们的方法应用于附近两个巴西城市的肝炎病例的每月计数，这两个城市具有高度的交叉相关性。数据分析证明了考虑双变量模型的重要性，该模型允许在现实生活应用中存在广泛的同期相关性。
2020-11-17 stat.ME
Conditional Quantile Processes based on Series or Many Regressors
Quantile regression (QR) is a principal regression method for analyzing the impact of covariates on outcomes. The impact is described by the conditional quantile function and its functionals. In this paper we develop the nonparametric QR-series framework, covering many regressors as a special case, for performing inference on the entire conditional quantile function and its linear functionals. In this framework, we approximate the entire conditional quantile function by a linear combination of series terms with quantile-specific coefficients and estimate the function-valued coefficients from t…
2018-08-09 econ.EM math.ST stat.ME
Conformal Prediction for Time Series with Deep Sequence Models
Georgia Institute of Technology（佐治亚理工学院）
本研究系统探索深度序列模型在时间序列保形预测中的应用，提出三种方法并给出理论保证与实验验证。
2026-10-05 cs.LG stat.ML
Gaussian Transforms Modeling and the Estimation of Distributional Regression Functions
本文提出高斯变换建模条件累积分布函数，给出凹似然估计准则，统一估计密度、分布和分位数函数，并在美国性别工资差距应用中验证。
2025-04-20 econ.EM stat.ME
Asymptotic Normality of Estimates in Flexible Seasonal Time Series Model with Weak Dependent Error Terms
在这篇文章中，我们考虑灵活的季节性时间序列模型，其中包括一个共同的趋势函数的时期和添加剂的个人趋势（季节效应）的功能。在$α$ -混合条件下，在不指定误差分布的情况下，得到了局部线性估计的相合性和渐近正态性。对于误差项为$k$ -弱相依和$λ$ -弱相依随机变量的弹性季节时间序列模型，利用中心极限定理，将这些结果推广到局部线性估计的相合性和渐近正态性.
2014-03-10 math-ph math.MP math.ST
LinCDE: Conditional Density Estimation via Lindsey's Method
条件密度估计是统计学中的一个基本问题，在生物学、经济学、金融学和环境研究等领域都有科学和实际应用。在本文中，我们提出了一个条件密度估计的基础上梯度提升和Lindsey的方法（LinCDE）。LinCDE允许灵活的密度族建模，并可以捕获分布特征，如模态和形状。特别是，当适当的参数化，LinCDE将产生平滑和非负的密度估计。此外，像提升回归树一样，LinCDE也会自动进行特征选择。我们证明了LinCDE的有效性，通过广泛的模拟和三个真实的数据例子。
2021-12-31 stat.ME
Assessing Data Support for the Simplifying Assumption in Bivariate Conditional Copulas
研究了二元条件Copula模型中简化假设（SA）的数据支持的建立问题。众所周知，SA极大地简化了条件Copula模型的推理，但是用于测试SA的标准工具和方法往往不能提供可靠的结果。在将观测数据分成训练集和测试集之后，所提出的方法将使用灵活的训练数据贝叶斯拟合来定义基于随机化和标准渐近理论的测试。该方法的理论依据和它的性能进行了研究，使用模拟数据。本文还讨论了感兴趣的替代模型的实现，例如高斯，Logistic和分位数回归。
2019-09-27 stat.ME
Parametric convergence rate of a non-parametric estimator in multivariate mixtures of power series distributions under conditional independence
本文研究条件独立幂级数分布多元混合的非参数估计，证明极大似然估计的Hellinger距离收敛速率，构建达参数速率的新估计量，提出条件独立性检验方法，经模拟和Vélib数据集验证有效。
2025-09-05 math.ST stat.ME stat.TH
Change-point detection using the conditional entropy of ordinal patterns
本文主要研究仅利用时间序列的序结构进行变点检测。介绍并研究了一种基于有序模式的条件熵的统计量，该统计量表征了时间序列的局部上下波动。该统计量只需要对给定数据的最小先验信息，并在数值实验中表现出良好的性能。
2017-07-15 math.ST stat.TH
Nonparametric estimation of conditional value-at-risk and expected shortfall based on extreme value theory
我们提出了一个金融资产的一系列收益的条件分布的条件风险价值（CVaR）和条件预期亏损（CES）的非参数估计。收益率序列和条件协变量（可能包括滞后收益率和其他外生变量）被假设为强混合，并遵循非参数条件位置-规模模型。将位置和规模的第一阶段非参数估计与Pickands（1975）提出的分布尾部的广义Pareto近似相结合，给出CVaR和CES的最终估计。我们提供了适当的归一化下的估计的一致性和渐近正态性。我们还提出了一个蒙特卡罗研究，揭示了他们的有限样本性能的结果。实证可行性的模型和估计量进行了调查，通过回测练习，使用五种农产品的期货合同的回报。
2016-12-23 stat.ME
Quasi-maximum-likelihood estimation in conditionally heteroscedastic time series: A stochastic recurrence equations approach
本文研究了一般乘型$X_t=σ_tZ_t$的条件异方差时间序列模型的拟极大似然估计，其中不可观测波动率$σ_t$是$(X_{t-1},...,X_{t-p},σ_{t-1},... ,σ_{t-q})$的参数函数，对于某些$p,q\ge0$，且$(Z_t)$是标准化的i.i.d.噪声我们假设这些模型是随机递归方程的解，满足收缩（随机Lipschitz系数）属性。这些假设对于流行的Gestival过程、非对称Gestival过程和指数Gestival过程都是成立的。利用压缩性质，给出了随机递归方程严格平稳解$(X_t)$存在唯一的条件，并建立了QMLE的相合性和渐近正态性.我们还讨论了这种时间序列模型的可逆性问题。
2007-02-23 math.ST stat.TH
Statistical inference for heavy tailed series with extremal independence
本文考虑平稳时间序列$\{X_j, j \in Z\} whose finite dimensional distributions are regularly varying with extremal independence. We assume that for each $ h \geq 1 $, conditionally on $ X 0 $ to exceed a threshold tending to infinity, the conditional distribution of $ X h$适当归一化弱收敛到一个非退化分布.在本文中，我们考虑估计的正常化和极限分布。
2018-04-29 math.ST stat.TH
Flexible distribution-free conditional predictive bands using density estimators
University of São Carlos（圣卡洛斯大学）
保形方法创建预测带，除了i.i.d.之外，没有任何假设可以控制平均覆盖率。数据除了平均覆盖率之外，人们可能还希望控制条件覆盖率，即每个新测试点的覆盖率。然而，如果没有强有力的假设，就无法实现有条件的覆盖。鉴于这种限制，文献集中在渐近条件覆盖的方法。为了获得该属性，这些方法需要对目标变量和特征之间的依赖性的强条件。我们介绍了两个保形方法的基础上，条件密度估计，不依赖于这种类型的假设，以获得渐近条件覆盖：距离分裂和CD分裂。而Dist-split渐近获得最佳区间，这比一般区域更容易解释，CD-split获得最佳大小的区域，这比区间小。CD分割还通过创建缩放到高维设置的特征空间的数据驱动分区以及通过在分区元素上本地生成预测带来获得局部覆盖。在各种各样的模拟场景中，我们的方法比以前提出的方法有更好的控制条件覆盖和更小的长度。
2019-12-09 cs.LG stat.ME stat.ML
A Flexible Stochastic Conditional Duration Model
本文引入了一个新的资产市场交易时间的随机久期模型。我们认为，被广泛接受的规则，汇总看似相关的交易误导推断之间的不相关的交易的持续时间：虽然任何两个在同一秒内执行的交易可能是相关的，这是极不可能的，所有这些对的交易，在一个典型的样本。通过在我们的模型中放置关于哪些交易相关的不确定性，我们改进了对不相关交易之间持续时间分布的推断，特别是接近零的交易。我们引入了一个归一化的条件分布之间的持续时间无关的行业，这是灵活的，易于收缩的指数分布，我们认为这是一个适当的一阶模型。由于状态变量的高效提取，后验模拟的数值效率比以往的研究高得多。在实证应用中，我们发现，条件风险函数之间的不相关的交易持续时间的变化远远小于大多数研究发现。我们声称，这是因为我们避免了确定性的贸易聚集规则和不合适的参数分布所产生的统计假象。
2020-05-19 econ.EM q-fin.ST stat.ME
Conditional normalization in time series analysis
提出一种基于广义可加模型的条件归一化时间序列方法，通过建模条件均值与方差控制协变量影响，并应用于河流网络数据的缺失值插补及水流时间估计。
2023-05-22 stat.AP stat.CO stat.ME
Spline approximations to conditional Archimedean copula
我们提出了一个灵活的Copula模型来描述（条件可交换）随机变量的依赖结构中的协变量的变化。出发点是一个样条逼近阿基米德copula的生成元。通过对$x$的样条系数进行灵活回归，对协变量$x$的相关性结构的变化进行建模。通过仿真研究了参考生成元样条估计的性能和性质以及这些条件模型逼近条件Copula函数的能力。使用贝叶斯参数进行推断，使用重要性抽样或自适应MCMC算法探索后验分布。用两个例子说明了建模策略。
2013-11-15 stat.ME
Model-based fuzzy time series clustering of conditional higher moments
本文提出了一种新的时间序列聚类方法，该方法考虑了异方差性、非正态性和模型的非线性。在这个目标下，我们采用模糊方法。具体而言，考虑到动态条件得分（DCS）模型，我们提出了聚类时间序列根据其估计的条件矩通过自相关的模糊C均值（A-FCM）算法。DCS参数化建模因其通用性和计算可行性而备受关注。所提出的程序的有用性说明了使用模拟数据和金融时间序列的几个实证应用的实验假设线性和非线性模型的规格和几个假设下的时间序列密度函数。
2021-04-01 stat.ME
Portfolio Optimisation Under Flexible Dynamic Dependence Modelling
来自多元高阶条件矩的信号以及包含在外生协变量中的信息，可以被理性投资者有效地利用来在不同的风险投资机会中分配他们的财富。本文提出了一个新的灵活的动态copula模型，能够解释和预测大规模资产收益率分布的时变形状。此外，我们让一元边际分布驱动的更新机制的基础上的条件分布的缩放得分。这个框架允许我们在条件分布的四阶矩中引入时变。随时间变化的依赖模式随后建模为一个潜在的马尔可夫切换过程的函数，也允许在动态更新方程中包含外源协变量。我们实证评估，该模型大大提高了理性投资者的最优投资组合配置最大化他们的期望效用。
2016-01-20 q-fin.PM stat.ME
Flexible Selective Inference with Flow-based Transport Maps
本文提出一种利用归一化流学习传输映射的方法，用于在缺乏解析描述的选择事件下近似条件分布，从而实现灵活的选择性推断，提供有效 p 值、置信集及闭式条件密度函数。
2025-06-01 stat.ME stat.ML
ProbRes: Volatility Learning for Probabilistic Time-Series Forecasting
School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院）
提出ProbRes，一种事后概率校准方法，通过显式学习波动率动态来改进概率预测，有效处理异方差数据，并在理论和实验上验证其有效性。
2026-06-01 cs.LG stat.ME stat.ML
Non-parametric estimation of conditional quantiles for time series with heavy tails
提出修正的加权Nadaraya-Watson估计量用于重尾时间序列条件分位数，建立渐近正态性，并通过模拟和实际数据验证性能。
2024-07-22 math.ST stat.ME stat.TH
Additive Models for Conditional Copulas
条件Copula是一种灵活的统计工具，它将联合条件分布和边际条件分布耦合起来。在一个线性回归设置有一个以上的协变量和两个依赖的结果，我们提出了使用添加剂模型的条件二元Copula模型，并讨论计算和模型选择工具进行贝叶斯推断。该方法是使用模拟和一个真实的例子说明。
2014-07-30 stat.ME
Time series conditional extremes
平稳时间序列中联合极值相关结构的精确建模是一个具有挑战性的问题，在许多应用中非常重要。以前解决这个问题的几种方法只适用于时间序列中某些类型的极值依赖，如渐近依赖或有限阶的马尔可夫时序列。在本文中，我们基于最近的概率结果开发了时间序列极端事件的统计方法学，这些结果使我们能够在目睹极端事件后灵活地对平稳时间序列的衰减进行建模。虽然有限阶的马尔可夫序列自然地被我们的方法所容纳，但我们考虑了一个更广泛的设置，基于条件极值模型，它允许时间序列中广泛的可能依赖结构。我们考虑基于蒙特卡罗模拟的推理，并推导出一个常用的重要性抽样方差的上界。我们的方法是通过模拟数据和时间序列的日最高气温从法国奥尔良的集群泛函估计说明。
2023-03-08 stat.ME
The dynamic generalized covariance measure for conditional independence testing with nonstationary time series
Carnegie Mellon University（卡内基梅隆大学）；Queen Mary University of London（伦敦大学玛丽女王学院）
本文提出首个适用于非平稳非线性过程单次实现的条件独立性检验框架，通过时变非线性回归等技术解决线性模型难以捕捉非线性动态的问题，为相关领域的随机过程关系识别提供了新工具。
2026-10-22 math.ST stat.ME stat.ML
Flexible machine learning estimation of conditional average treatment effects: a blessing and a curse
本研究针对观测数据因果推断中特征不足导致个体处理效应（ITE）与条件平均处理效应（CATE）偏差的问题，扩展因果随机森林（CRF）估计组间条件方差差异，在特定因果假设下可有效估计ITE分布方差，弥补了标准CRF的不足。
2023-07-20 econ.EM math.ST stat.ME
Conditional Randomization Tests for Behavioral and Neural Time Series
针对行为与神经科学实验中刺激依赖受试者先前行为、无法用简单随机化检验的问题，提出用条件随机化做精确假设检验，对比切线随机化的局限性并给出实验设计思路。
2023-11-06 stat.ME
Iteratively reweighted adaptive lasso for conditional heteroscedastic time series with applications to AR-ARCH type processes
由于大数据的影响越来越大，收缩算法几乎在统计学的每个领域都非常重要。特别是时间序列分析受益于有效和快速的估计技术，如套索。然而，目前自回归时间序列模型的Lasso型估计仍然集中在残差为同方差的模型上。因此，在高维环境下，提出了一种用于条件异方差下时间序列模型估计的迭代加权自适应lasso算法。分析了所得估计量的渐近行为。据发现，建议的估计过程中执行实质上优于其同方差对应。该算法的一个特例适用于有效地计算估计的多元AR-均值型模型。扩展的模型，如周期AR-消隐，阈值AR-消隐或ARMA-GSTAR进行了讨论。最后，不同的模拟结果和应用程序的电力市场数据和金属价格的回报。
2015-12-05 q-fin.CP stat.AP stat.CO
Hierarchical Topological Ordering with Conditional Independence Test for Limited Time Series
Zhejiang University（浙江大学）；Peking University（北京大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
针对基于拓扑的DAG学习方法易产生大量虚假边的问题，本文利用仅含两条非相邻横截面记录的有限时间序列和条件工具变量，提出HT-CIT分层拓扑排序算法，以更小搜索空间学习稀疏DAG并减少剪枝边数。
2023-08-16 cs.LG stat.ME
Orthogonal Series Estimation for the Ratio of Conditional Expectation Functions
在数据科学的各个领域，研究人员经常对估计条件期望函数（CEFR）的比率感兴趣。特别是在因果推断问题中，有时考虑基于比率的处理效应是很自然的，例如比值比和风险比，甚至基于差异的处理效应在一些经验相关的设置中被识别为CEFR。本章开发了CEFR的估计和推理的一般框架，它允许使用灵活的机器学习无限维干扰参数。在该框架的第一阶段中，使用去偏机器学习技术构造正交信号，以减轻滋扰估计中的正则化偏差对目标估计的负面影响。然后，将信号与针对CEFR定制的新型系列估计器相结合。我们推导出点态和一致的渐近结果CEFR的估计和推断，包括高斯引导的有效性，并提供低级别的充分条件，适用于一些具体的例子所提出的框架。我们证明了有限样本的性能的系列估计所提出的框架下，通过数值模拟。最后，我们应用所提出的方法来估计401（k）计划对家庭资产的因果影响。
2022-12-26 econ.EM stat.ME stat.ML
Robust tests for parameter change in conditionally heteroscedastic time series models
Kyungpook National University（庆北国立大学）
本文提出了一种基于残差的稳健CUSUM检验，用于检测条件异方差时间序列模型中的参数变化，并通过模拟和比特币数据验证了其对异常值的稳健性。
2026-09-01 stat.ME
A flexible and efficient algorithm for joint imputation of general data
用一般结构估算数据（例如，具有连续、二元、无序分类和有序变量的数据）通常使用完全条件规范（FCS）而不是联合建模来执行。FCS的一个关键缺点是它没有调用适当的数据增强机制，因此不能保证所得到的马尔可夫链蒙特卡罗过程的收敛。使用联合建模的方法没有这些缺点，但尚未在一般结构的数据中有效地实现。我们解决这些问题，通过开发一种新的方法，所谓的GERBIL算法，从一个潜在的联合多变量正态模型，支持一般结构化的数据绘制插补。该模型使用一系列灵活的条件线性模型来构建，使得所得到的过程能够在实践中有效地在高维数据集上实现。仿真结果表明，GERBIL表现良好，相比那些利用FCS。此外，新方法是计算效率相对于现有的FCS程序。
2021-08-10 stat.ME
Conditional-mean Multiplicative Operator Models for Count Time Series
针对乘性误差模型无法处理离散计数时间序列的问题，提出计数乘性算子概念并构建了计数时间序列的条件均值乘性算子模型（CMEMs），推导了其随机性质与估计方法，并通过仿真和真实数据验证了有效性。
2023-11-27 math.ST stat.ME stat.TH
FLEX-CP-DT: A Flexible Conditional Power Framework for Interim Futility Analysis in Clinical Trials with Count Endpoints and Temporal Trends
Regeneron Pharmaceuticals（再生元制药）；Rutgers University（罗格斯大学）
FLEX-CP-DT是捕捉事件率和治疗效果时间趋势的分段负二项框架，可准确开展计数终点临床试验的中期无效性分析，能减少错误终止有效药物的概率。
2026-08-28 stat.AP 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
Artificial neural networks and time series of counts: A class of nonlinear INGARCH models
本文将INGARCH模型与人工神经网络响应函数结合，提出一类非线性INGARCH模型，并证明其在信息损失指标上优于现有退化竞争模型。
2023-04-03 econ.EM stat.ME stat.ML
Prediction based on conditional distributions of vine copulas
Vine Copula是一个灵活的工具，用于多变量非高斯分布。对于来自观测研究的数据，其中解释变量和响应变量一起测量，建议的葡萄树copula回归方法使用常规葡萄树并处理混合的连续和离散变量。该方法可以有效地计算给定解释变量的响应变量的条件分布。所提出的方法的性能进行评估模拟数据集和真实数据集。实验表明，在条件异方差的情况下，vine copula回归方法优于线性回归。
2019-04-29 stat.ME
A copula approach for dependence modeling in multivariate nonparametric time series
本文研究了在可能包含时间序列过去值的协变量存在的情况下，两个（或多个）时间序列的相关结构的建模问题。我们假设协变量只影响每个时间序列的条件均值和条件方差，但标准化新息的分布不受协变量的影响，并且在时间上是稳定的。联合分布的时间序列，然后确定的条件均值，条件方差和边缘分布的创新，我们估计nonparametrically，和copula的创新，它代表的依赖结构。我们考虑一个非参数以及半参数估计的基础上估计残差。我们表明，在适当的假设下，这些copula估计是渐近等价的估计，将基于未观察到的创新。通过仿真和实际数据的例子说明了理论结果。
2018-12-10 math.ST stat.ME stat.TH
A flexible parametric approach to synthetic patients generation using health data
本文提出一种结合序贯条件回归与灵活参数化生存模型的合成患者数据生成方法，并开发R和Python实现，在克雅氏病登记数据上验证了其复现多变量分布和生存结局的能力。
2024-12-30 stat.ME
Penalized estimation of flexible hidden Markov models for time series of counts
隐马尔可夫模型是建模序列观测的通用工具，其中假设隐状态过程选择多个分布中的哪一个生成任何给定的观测。特别是对于计数的时间序列，泊松族通常为状态依赖分布提供自然选择，尽管也可以使用更灵活的分布，例如负二项分布或具有有界范围的分布。然而，在实践中，选择一个适当的类（参数）分布往往是什么，但简单，和一个不充分的选择可能会有严重的负面影响模型的预测性能，状态分类，并在一般的推理有关的系统考虑。为了解决这个问题，我们提出了一个有效的非参数方法来拟合隐马尔可夫模型的时间序列的计数，状态依赖的分布估计在一个完全的数据驱动的方式，而不需要选择一个分布的家庭。为了避免过度拟合，我们添加了粗糙度惩罚的基础上相邻的计数概率之间的高阶差异的可能性，这是证明产生光滑的概率质量函数的状态相关的分布。建议的方法的可行性进行了评估，在模拟实验中，并说明了在两个真实的数据应用程序，在那里我们模拟分布的i）大地震计数和ii）加速度计数的海洋白鳍鲨（Carcharhinus longimanus）随着时间的推移。
2019-01-10 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
A Dynamic Model for Double Bounded Time Series With Chaotic Driven Conditional Averages
在这项工作中，我们介绍了一类动态模型的时间序列采取的值上的单位时间间隔。所提出的模型遵循广义线性模型的方法，其中的随机分量，条件上的过去的信息，遵循β分布，而条件均值规格可能包括协变量，也可以呈现混沌行为的映射的迭代给出的额外的附加项。由此产生的模型是非常灵活的，其系统的组成部分可以容纳短期和长期的依赖性，周期性行为，层流阶段等，我们推导出易于验证的条件所提出的模型的平稳性，以及条件的大数定律和Birkhoff型定理举行。蒙特卡洛模拟研究进行评估的部分最大似然法的参数估计在所提出的模型的有限样本行为。最后，在巴西南部的存储水电能源的比例的应用。
2019-10-07 math.DS math.ST stat.ME
Conditional Cauchy-Schwarz Divergence for Time Series Analysis: Kernelized Estimation and Applications in Clustering and Fraud Detection
Imperial College Business School, Imperial College London（伦敦帝国理工学院商学院）
本文提出了一种基于核化的条件柯西-施瓦茨散度估计方法，用于时序分析中的聚类和欺诈检测，通过改进的核技巧和稳健带宽选择提升模型性能。
2026-01-09 stat.ME
Joint parametric specification checking of conditional mean and volatility in time series models with martingale difference innovations
利用累积残差过程，我们提出了联合拟合优度检验的条件均值和方差函数的背景下，非线性时间序列与鞅差的创新。主要的挑战来自这样一个事实，即累积残差过程不再承认，在原假设，分布自由的限制。为了获得一个实际的解决方案，一个变换的过程，以实现一个分布自由的限制或近似的非分布自由的限制使用数值或重新采样技术。在这里，三个解决方案将被考虑。它表明，所提出的测试有非平凡的权力对一类root-n本地的替代品，是合适的条件信息集是无限维的，这使得包括模型，如自回归条件异方差随机模型与相关的新息。所提出的方法只假设一阶和二阶条件矩的某些条件，而不施加任何自回归模型。介绍的测试程序进行了比较，彼此之间和与其他竞争对手在他们的权力，使用模拟研究和真实的数据应用。这些模拟表明，基于原始统计量的重新采样或数值近似的测试的统计功效通常略好于基于原始过程的鞅变换的测试。
2021-07-01 math.ST stat.ME stat.TH
Time-series Random Process Complexity Ranking Using a Bound on Conditional Differential Entropy
本文提出基于条件微分熵上界的时间序列复杂度排序方法，利用预测误差协方差矩阵，通过合成实验验证其有效性。
2025-10-23 cs.IT eess.AS eess.SP
Conditional Independence Testing in Time Series
University College London（伦敦大学学院）；University of Cambridge（剑桥大学）
针对时间序列中格兰杰因果检验，提出无模型的条件独立性检验方法GTCM，通过非线性回归与残差协方差统计量，在弱假设下控制错误率并利用全数据估计。
2026-09-18 math.ST stat.ME stat.TH
Detecting causality in multivariate time series via non-uniform embedding
基于非一致嵌入方案的因果分析是发现动态系统间潜在相互作用的重要方法。然而，传统的非均匀嵌入方案在估计高维条件互信息和形成最优混合嵌入向量方面仍存在一些障碍。在这项研究中，我们提出了一个新的非均匀嵌入方法的信息论框架来检测因果关系的多变量时间序列，命名为LM-PMIME，它集成了低维近似的条件互信息和混合搜索策略的混合嵌入向量的建设。我们将该方法应用于线性随机，非线性随机和混沌系统的模拟，证明其优越性部分条件互信息从混合嵌入（PMIME）方法。此外，所提出的方法适用于多变量时间序列与弱耦合强度，特别是混沌系统。在实际应用中，我们展示了它对癫痫多通道皮层电图记录的适用性。
2019-12-14 stat.ME
Using flexible noise models to avoid noise model misspecification in inference of differential equation time series models
在对时间序列建模时，通常将观察到的变化分解为“信号”过程（感兴趣的过程）和“噪声”（表示混淆信号的干扰因素）。为了从噪声中分离信号，必须对系统的两个部分做出假设。如果信号过程被错误地指定，我们使用该模型的预测可能概括性很差;同样，如果噪声过程被错误地指定，我们可以将太多或太少的观测变化归因于信号。在几乎没有理由的情况下，通常选择独立的高斯噪声，这定义了一个统计模型，该模型易于实现，但通常会误报系统不确定性，并可能低估误差自相关。有一系列可供选择的噪声处理方法，但在实践中，这些方法可能都不完全合适，因为实际噪声可能更好地表征为这些不同类型的时变混合物。在这里，我们考虑的系统中，信号建模与常微分方程和目前的类灵活的噪声过程，适应系统的特性。我们的噪声模型包括一个多元正态内核，其中高斯过程允许非平稳的持久性和方差，以及非参数贝叶斯模型，该模型将时间序列划分为不同的噪声结构块。在我们考虑的场景中，这些噪声过程忠实地再现了真实的系统不确定性：即，当使用正确的噪声模型进行推断时，参数估计的不确定性。模型本身和拟合方法可扩展到大型数据集，有助于确保更适当地量化大量时间序列模型中的不确定性。
2020-11-10 stat.ME
Semiparametric mean and variance joint models with Laplace link functions for count time series
针对计数时间序列条件方差难以独立建模的局限，提出 RRC-GARCH 半参数均值与方差联合模型，利用 Laplace 链接函数灵活捕捉均值-方差结构，证明了其理论性质，并通过模拟与真实数据验证了其预测准确性。
2024-04-29 math.ST stat.ME stat.TH
Reverse Stress Testing for Multivariate Scenarios: A Conditional Framework for Stressed Time Series
ARCA Fondi SGR
提出一种反向压力测试方法，从单一资产类别的外生冲击出发，重建与市场经验依赖结构一致的多变量压力场景，并通过三种分布假设下的条件密度最大化求解。
2026-06-08 q-fin.RM q-fin.ST stat.ME
Estimating Conditional Transfer Entropy in Time Series using Mutual Information and Non-linear Prediction
我们提出了一个新的估计量来衡量时间序列的有向依赖。首先使用新的非均匀嵌入技术降低数据的维数，其中变量根据新信息量的加权和和以及变量提供的预测准确性的提高进行排名。然后，使用贪婪方法，以迭代的方式选择信息量最大的子集。当与使用现有的所选子集获得的预测准确度相比，排名最高的变量不能显著提高预测准确度时，算法终止。在模拟研究中，我们比较我们的估计现有的国家的最先进的方法在不同的数据长度和定向依赖强度。结果表明，所提出的估计有一个显着更高的精度比现有的方法，特别是对于困难的情况下，其中的数据是高度相关和耦合。此外，我们表明，由于瞬时耦合效应的有向依赖的错误检测低于现有的措施。我们还表明，所提出的估计真实颅内脑电图数据的适用性。
2020-11-27 cs.IT math.IT stat.ME
