Model-free Bootstrap for a General Class of Stationary Time Series
针对一般的平稳时间序列，提出了一种无模型自举方法。理论框架的建立，显示了自举置信区间的许多感兴趣的统计量的渐近有效性。此外，还证明了一步前自助预测区间的渐近有效性。通过大量样本实验验证了新方法的有效性，并与块引导法和自回归（AR）-筛分引导法等常用方法进行了比较。
2019-12-31 math.ST stat.TH
Model Specification Test for Stationary Functional Time Series
Illinois State University（伊利诺伊州立大学）；Ruhr-University Bochum（波鸿鲁尔大学）；Zhejiang University（浙江大学）
本文提出一个基于自回归近似和加权L2距离的通用框架，用于平稳函数型时间序列的模型设定检验，涵盖阶数检验、ARMA设定检验和可分离性检验，并证明了渐近有效性。
2026-09-24 math.ST stat.ME stat.TH
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
The autoregression bootstrap for kernel estimates of smooth nonlinear functional time series
函数时间序列已成为函数数据和时间序列分析的一个组成部分。本文研究了一阶泛函自回归模型和光滑函数的自回归自助法。在Ferraty和Vieu [2004]和Ferraty等人[2007]开发的框架中估计回归算子，该框架在这里扩展到双函数情况下，假设可以追溯到Laib和Louani [2010]的平稳遍历数据。本文的主要结果是自举回归算子的渐近相合性的刻画。
2018-11-15 math.ST stat.TH
A Note on Bootstrapping M-estimates from Unstable AR(2) Process with Infinite Variance Innovations
在具有重尾误差的非平稳自回归模型中，M-估计的极限分布在计算上是困难的。为了根据M-估计值进行推断，可以使用Bootstrap程序来近似抽样分布。本文证明了当$m/n \to 0$在多单位根时间序列中近似有效时，$m=o(n)$的Bootstrap方案在指数为$0<α\leq2$的稳定律吸引区域中是有效的.
2016-03-08 math.ST stat.AP stat.TH
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
Sparse Principal Component Analysis for High Dimensional Vector Autoregressive Models
本文在双渐近框架下研究了高维向量自回归时间序列的稀疏主成分分析，该框架允许维数$d$随序列长度$T$变化.我们将时间序列的转移矩阵作为一个讨厌的参数，直接将稀疏主成分分析应用于多变量时间序列，就好像数据是独立的。我们提供了明确的非渐近收敛率领先的特征向量估计，并将这一结果推广到主子空间估计。我们的分析表明，谱范数的过渡矩阵起着至关重要的作用，在确定最终的利率。我们还刻画了稀疏主成分分析达到最优参数率的充分条件。我们的理论结果得到了充分的数值研究的支持。
2013-06-30 stat.ML
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
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
Bias Correction of Long-memory Estimator of Functional Time Series via the Prefiltered Sieve Bootstrap
Macquarie University（麦考瑞大学）
该研究针对函数型时间序列长记忆参数估计的偏差问题，提出基于预筛选筛自助法的校正程序，采用LPWN估计量作为初始估计，经模拟验证其能有效降低偏差并可提供参数置信区间。
2026-07-31 stat.ME
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
Missing Data in Sparse Transition Matrix Estimation for Sub-Gaussian Vector Autoregressive Processes
Wisconsin Institute for Discovery（威斯康星发现研究所）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
高维时间序列数据存在于金融、基因组学、医疗保健和神经科学等众多领域。所有这些数据集的一个不可避免的方面是缺失数据，处理这个问题一直是统计，控制和机器学习的重要焦点。在这项工作中，我们考虑了一个高维估计问题，其中一个动力系统，由一个稳定的向量自回归模型，是随机的，只有部分观察到在每个时间点。我们的任务相当于估计的转移矩阵，这是假设是稀疏的。在这种情况下，协变量高度相互依赖且部分缺失，新的理论挑战出现了。虽然向量自回归模型中的转移矩阵估计以前已经研究过，但缺失数据的情况需要单独的努力。此外，虽然转移矩阵估计可以从高维稀疏线性回归的角度进行研究，但协变量是高度依赖的，并且现有的结果都是在i.i.d.~的缺失数据的正则化估计上。协变量不适用。我们分析的核心在于：1）当新息噪声满足凸集中性质时，一个新的集中结果，以及2）一个新的量，用于表征时变观测过程与底层动力系统的相互作用。
2018-02-26 cs.LG stat.ML
High-dimensional structure learning of sparse vector autoregressive models using fractional marginal pseudo-likelihood
从多变量时间序列学习向量自回归模型通常通过最小二乘或极大似然估计来实现。这些方法通常假设完全连接的模型，其不提供对模型结构的直接洞察，并且可能导致参数的高噪声估计。由于这些限制，人们对通过惩罚回归产生稀疏估计的方法越来越感兴趣。然而，这样的方法是计算密集型的，并且当模型中的变量的数量增加时，可能变得非常耗时。在本文中，我们采用近似贝叶斯方法的学习问题相结合的分数边缘似然和伪似然。我们提出了一种新的方法，PLVAR，这是更快，更准确的估计比国家的最先进的方法的基础上惩罚回归。我们证明了PLVAR估计的一致性，并证明了该方法在模拟和真实数据上的吸引力。
2021-09-22 stat.CO
Sparse Vector Autoregressive Modeling
向量自回归（VAR）模型已被广泛用于多变量时间序列的时间相关性建模。对于大（甚至中等）维度，AR系数的数量可能非常大，导致噪声估计，不稳定的预测和难以解释的时间依赖性。为了克服这些缺点，我们提出了一个2阶段的方法来拟合稀疏VAR（sVAR）模型，其中许多AR系数为零。第一阶段选择非零AR系数的基础上估计的部分频谱相干性（PSC）连同BIC的使用。PSC用于量化多变量过程中边际序列之间的条件关系。然后应用细化第二阶段以进一步减少参数的数量。这2阶段的方法的性能示出了仿真结果。两阶段方法也适用于两个实际数据的例子：第一个是谷歌流感趋势数据，第二个是空气污染物浓度水平的时间序列。
2012-07-02 stat.AP stat.CO
Spherical Spatial Autoregressive Model for Spherically Embedded Spatial Data
Macquarie University（麦考瑞大学）
本文提出球面空间自回归模型，结合最优传输几何和外生协变量，解决球面嵌入空间数据的统计建模、推断和不确定性量化问题。
2026-01-23 math.ST stat.AP stat.ME
An Online Bootstrap for Time Series
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文提出一种可在线执行且考虑数据依赖性的时间序列自助法，通过自回归递增依赖的重采样权重实现实时不确定性量化，并在理论上证明其有效性。
2024-02-26 cs.LG stat.CO stat.ME
Discovering the Network Granger Causality in Large Vector Autoregressive Models
本文针对高维向量自回归模型，提出了基于去偏lasso和自助法的两种多重检验程序以控制FDR并发现网络Granger因果性，理论分析与实证均验证了其有效性。
2024-11-13 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
Bootstrap Prediction Bands for Functional Time Series
针对平稳函数型时间序列，提出利用时间反向 Fourier 系数向量自回归表示的无模型 bootstrap 方法构建预测带，并证明其渐近有效性与良好有限样本表现。
2023-07-14 math.ST stat.TH
Sparse Tucker Decomposition and Graph Regularization for High-Dimensional Time Series Forecasting
Central China Normal University（华中师范大学）；Hong Kong Baptist University（香港浸会大学）
本文提出了一种结合稀疏Tucker分解与图正则化的高维时间序列预测方法，通过减少参数数量和提高估计精度，实现了更高效的模型性能。
2026-01-01 math.ST stat.ML stat.TH
CEDAR: Causal Edge Discovery for Autoregressive Processes
Bloomberg LP（彭博有限合伙企业）
研究稀疏自回归时间序列滞后因果边发现问题，提出CEDAR方法，通过AR(1)残差化等筛选候选滞后，经条件独立性测试、MCI修剪等确定因果边，在数据稀缺等情况效果好，兼具边级可解释性。
2026-07-24 cs.LG stat.ME
A sparse Bayesian hierarchical vector autoregressive model for microbial dynamics in a wastewater treatment plant
污水处理厂（WWTP）的正常运行依赖于在众多竞争微生物之间保持微妙的平衡。详细了解其中复杂的相互作用网络不仅对最大限度地提高当前的运营效率至关重要，而且对有效设计新的处理技术也至关重要。宏基因组学通过分析存在的微生物DNA序列来深入了解这些动态系统。通过序列聚类推断独特的分类群，形成操作分类单位（OTU），并从相应的序列计数获得每分类群丰度估计值。本研究中的数据包括来自污水处理厂的活性污泥（AS）池的每周OTU计数。为了对OTU动态进行建模，我们开发了贝叶斯分层向量自回归模型，该模型是常用的广义Lotka-Volterra（gLV）模型的线性近似。为了解决数据的高维性和稀疏性，首先使用基于季节性相位的方法将它们聚类为12个“箱”。假设自回归系数矩阵是稀疏的，因此我们在选择正则化马蹄先验用于生物应用之前，通过分析模拟数据集来探索不同的收缩先验。我们发现，氨和化学需氧量有积极的关系与几个箱子和pH值有积极的关系与一个箱子。这些结果得到了生物学文献结果的支持。我们确定了几种负面的相互作用，这表明不同箱中的OTU可能会竞争资源，并且这些关系是复杂的。我们还确定了两个积极的互动。虽然比gLV模型简单，但我们的向量自回归为污水处理厂的微生物动力学提供了有价值的见解。
2021-07-01 q-bio.QM stat.AP stat.ME
Autoregressive Wild Bootstrap Inference for Nonparametric Trends
在本文中，我们提出了一个自回归的野生自助方法来构建一个光滑的确定性趋势周围的置信带。自举法易于实施，在存在缺失数据的情况下不需要任何调整，这使得它特别适合于气候学应用。我们建立了一般条件下的逐点和同步置信带的自助方法的渐近有效性，允许一般模式的缺失数据，序列依赖性和异方差。在模拟研究中的方法的有限样本特性进行了研究。我们使用的方法来研究在日常测量的大气乙烷在瑞士阿尔卑斯山的气象站，在那里的方法可以很容易地处理由于不利的天气条件下，许多缺失的观测结果的趋势的演变。
2019-11-25 econ.EM stat.ME
Scalable Deep Generative Modeling for Sparse Graphs
Google Research（谷歌研究院）；DeepMind
学习图生成模型对于深度学习来说是一项具有挑战性的任务，并且在化学、生物学和社会科学等一系列领域具有广泛的适用性。然而，当前的深度神经方法具有有限的可扩展性：对于具有$n$节点和$m$边的图，现有的深度神经方法需要通过建立邻接矩阵来实现$Ω(n^2)$复杂度。另一方面，许多现实世界的图实际上是稀疏的，在这个意义上，$m\ll n^2$。在此基础上，我们开发了一种新的自回归模型，命名为BiGG，利用这种稀疏性，以避免生成完整的邻接矩阵，并大大降低了图形生成的时间复杂度$O((n + m)\log n)$。此外，在训练期间，该自回归模型可以与$O(\log n)$同步阶段并行化，这使得它比需要$Ω(n)$的其他自回归模型更有效。在几个基准上的实验表明，所提出的方法不仅可以扩展到比以前的深度自回归图生成模型更大的图形数量级，而且可以产生更好的图形生成质量。
2020-06-28 cs.LG stat.ML
Sparse and Low-bias Estimation of High Dimensional Vector Autoregressive Models
本文针对高维 VAR 模型中 RML 正则化在稀疏性与偏差间的权衡问题，提出 UoI-VAR 方法，通过仿真证明其相比交叉验证选参的 RML 能更准确恢复稀疏因果结构并降低估计偏差，更适合同时进行因果发现与预测。
2025-03-12 stat.ME
Bootstrapping Nonstationary Autoregressive Processes with Predictive Regression Models
本文证明了Phillips和Magdalinos (2009)提出的基于自举的IVX估计量在预测回归模型中的渐近有效性，该模型涵盖近非平稳和近平稳过程，并通过Monte Carlo实验验证了理论结果的统计有效性。
2023-07-26 econ.EM
Bootstrapping autoregressive duration models
Department of Economics, University of Bologna（博洛尼亚大学经济系）；Department of Economics, University of Exeter（埃克塞特大学经济系）；Department of Economics, University of Copenhagen（哥本哈根大学经济系）
本文针对固定日历跨度内观测的自回归条件持续期（ACD）模型开发自助推断方法，固定数量自助法在不同尾指数条件下具有良好性质，蒙特卡洛实验验证其有效性，应用于加密货币ETF交易持续期体现了实际价值。
2026-09-24 econ.EM math.ST q-fin.ST
Evaluating Gaussian processes for sparse irregular spatio-temporal data
介绍了一种评价非规则采样稀疏时间序列的高斯过程回归模型（GPR）性能的实用方法。该方法需要使用细尺度预测来预测GPR中使用的未来观测的二次自回归模型的构建。我们建立了不同的GPR模型的Ornstein-Uhlenbeck和分数过程的模拟玩具数据具有不同的稀疏性水平，以评估该方法的实用性。
2016-11-06 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
Estimating Structured Vector Autoregressive Model
虽然已经取得了相当大的进展，估计高维结构化模型，从独立的数据使用拉索型模型，有限的进展已经取得了设置时，样本是依赖的。我们考虑估计结构化VAR（向量自回归模型），其中结构可以通过任何合适的范数来捕获，例如，Lasso、Group Lasso、Order Weighted Lasso、Sparse Group Lasso等。在具有相关噪声的VAR设置中，尽管随时间和协变量存在很强的依赖性，但我们建立了结构化VAR参数的非渐近估计误差的界限。令人惊讶的是，估计误差是相同的顺序，相应的拉索型估计与独立的样本，分析成立任何范数。我们的分析依赖于一般的连锁，子指数鞅，和VAR模型的谱表示的结果。实验结果与各种结构的合成数据以及真实的航空数据，验证了理论结果。
2016-02-28 math.ST stat.ML stat.TH
A functional autoregressive model based on exogenous hydrometeorological variables for river flow prediction
本研究以河川流量时间序列为研究对象，提出一个功能性时间序列模型来预测河川流量的未来实现。该模型是建立在一个功能性时间序列的相关滞后和基本的外生气候变量的基础上。降雨量，温度和蒸发量的变量被假设有大量的功能，在河流流量模拟。由于实际的时间序列模型是不确定的，并且输入变量对学习过程的重要性在实践中是未知的，因此采用变量选择过程来仅确定模型的重要变量。提出了一种非参数Bootstrap模型来研究预测的不确定性，并构造了河流流量曲线时间序列的逐点预测区间。历史数据集在三个气象站（摩苏尔，巴格达和库特）位于半干旱地区，伊拉克，用于模型开发。对现有的功能和传统的时间序列模型的预测性能进行了验证。数值分析表明，该模型提供了竞争力，甚至更好的性能比基准模型。此外，纳入外生气候变量大大提高了模拟的可预测性性能。总的来说，该模型表明了一个可靠的方法来模拟半干旱地区的河流流量。
2021-04-26 stat.AP stat.ME
High Dimensional and Banded Vector Autoregressions
考虑了一类系数矩阵为带状的向量自回归模型。该设置表示高维时间序列的一种稀疏结构，尽管隐含的自协方差矩阵不是带状的。当分量时间序列的顺序安排得当时，该结构也具有实际意义。建立了估计的带状自回归系数矩阵的收敛速度。我们还提出了一个贝叶斯信息准则来确定系数矩阵中的带宽，这被证明是一致的。通过研究带状向量自回归过程自协方差函数的一些近似带状结构，构造了自协方差阵阵的相合估计量.
2016-08-30 stat.ME
Transfer Learning for Spatial Autoregressive Models with Application to U.S. Presidential Election Prediction
Southern University of Science and Technology（南方科技大学）；Xiamen University（厦门大学）
针对空间依赖数据下美国总统选举预测的小样本难题，提出SAR模型迁移学习框架tranSAR及可迁移源检测方法，提升估计与预测性能并预测2024年民主党获胜。
2024-09-07 cs.LG econ.EM 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
Dynamic Chain Graph Models for Ordinal Time Series Data
本文介绍了高维非高斯时间序列数据网络推理的稀疏动态链图模型。所提出的方法参数化的精度矩阵，编码在一个固定的时间点的变量之间的时间片内的条件独立性，和一个自回归系数，包含动态条件独立性之间的相互作用的时间序列组件跨越连续的时间步。该模型是一个高斯copula向量自回归模型，它是用来模拟稀疏的相互作用，在一个高维设置。通过惩罚期望最大化算法实现估计。在本文中，我们使用一个有效的坐标下降算法来优化惩罚的对数似然与平滑剪切绝对偏差惩罚。我们在模拟和基因组数据集上展示了我们的方法。该方法在R包tsnetwork中实现。
2018-05-24 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
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
Short-Term Prediction of Signal Cycle in Actuated-Controlled Corridor Using Sparse Time Series Models
交通信号作为智能交通系统的一部分，可以在实现城市智能化方面发挥重要作用。传统上，大多数交通信号灯都设计有固定时间控制，这会导致大量的松弛时间（未使用的绿灯时间）。驱动式交通灯实时控制交通流量，并对交通需求的变化做出更好的响应。对于孤立信号，一系列时间序列模型，如自回归积分移动平均（ARIMA）模型，可以是有益的预测下一个周期长度。然而，当有多个信号灯沿走廊放置具有不同的间距和配置，这样的信号灯的周期长度的变化不仅与每个信号灯的值，但它也受到来自相邻交叉口的车辆队列的影响。本文建立了一个多变量时间序列模型，用于分析全驱动条件下沿走廊布置的多个交叉口信号周期长度的行为。沿一条走廊建立了5个信号交叉口的模型，每个交叉口之间具有不同的间距，并考虑了多层次的交通需求。为了解决问题的高维性质，在估计过程中利用惩罚最小二乘法输出稀疏模型。两种稀疏时间序列方法捕获的信号数据相当不错，并优于传统的向量自回归（VAR）模型-在某些情况下高达17% -以及更强大的单变量模型，如ARIMA。
2018-03-18 stat.AP
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
Testing for sparse idiosyncratic components in factor-augmented regression models
本研究提出一种bootstrap检验方法，用于检验因子回归模型中是否存在稀疏异质成分，推导了其渐近性质，提出数据驱动调参规则，模拟和实证实验验证了方法的有效性，并通过R包FAS实现。
2024-07-10 econ.EM math.ST stat.TH
Bootstrap based asymptotic refinements for high-dimensional nonlinear models
本文研究高维稀疏非线性模型的SCAD惩罚估计，提出基于阈值化SCAD估计的bootstrap方法，证明其能为对称检验提供O(n^-2)、为单侧或等尾检验提供O(n^-1)的渐近精化，并通过蒙特卡洛实验验证其显著降低拒绝与覆盖概率误差。
2024-02-21 econ.EM
