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
Convex Mixed-Integer Programming for Causal Additive Models with Optimization and Statistical Guarantees
University of Washington（华盛顿大学）
本文提出了一种基于凸混合整数规划的方法，用于具有优化和统计保证的因果加法模型学习，通过分支定界方法实现准确的图恢复，并在变量数量增长时保持一致性。
2025-11-26 stat.ME
Optimizing the Union of Intersections LASSO ($UoI_{LASSO}$) and Vector Autoregressive ($UoI_{VAR}$) Algorithms for Improved Statistical Estimation at Scale
Arizona State University（亚利桑那州立大学）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；Oregon State University（俄勒冈州立大学）
分析规模和复杂性不断增加的科学数据需要既可解释又可预测的统计机器学习方法。交叉点联合（UoI）是最近开发的框架，是分离模型选择和模型估计的两步方法。基于UoI的线性回归算法$UoI_{LASSO}$同时实现了低误报和低漏报特征选择以及低偏差和低方差估计。总之，这些品质使结果具有预测性和可解释性。在本文中，我们优化了$UoI_{LASSO}$算法的单节点执行NERSC的Cori骑士登陆，至强融核的超级计算机。然后，我们扩展$UoI_{LASSO}$，以在一系列数据集大小上的68- 278，528个核上执行，这表明了实现的弱和强扩展性。我们还实现了一个变体的$UoI_{LASSO}$，$UoI_{VAR}$向量自回归模型，分析高维时间序列数据。通过对$UoI_{VAR}$进行单节点优化和多节点缩放实验，验证了该算法对弱缩放和强缩放的有效性。我们的实现能够使用我们所知道的最大VAR模型（1000个节点）进行估计，并将其应用于大型神经生理学数据（192个节点）。
2018-08-21 cs.LG stat.ML
Adaptive inference for a semiparametric generalized autoregressive conditional heteroskedasticity model
本文研究了半参数广义自回归条件异方差（S-GARCH）模型。对于该模型，首先用核估计估计量估计无条件方差的时变长期分量，然后用拟极大似然估计量估计GARCH型短期分量中的非时变参数.我们证明了QMLE是渐近正态的，且具有参数收敛速度。其次，我们构造了线性参数约束的拉格朗日乘子检验和模型检验的组合检验，得到了它们的渐近零分布。我们的整个统计推断过程适用于非平稳数据，具有两个重要特征：第一，我们的QMLE和两个测试是自适应的未知形式的长期组件;第二，我们的QMLE和两个测试共享相同的效率和测试功率的方差目标方法时，S-GARCH模型平稳。
2020-10-02 econ.EM stat.ME
Intervention analysis for integer-valued autoregressive models
研究了具有Poisson新息的整值自回归模型中干预效应产生的各种异常值问题。我们专注于离群值进入动态，可以被看作是非常事件的影响。我们考虑三种不同的情况，即在已知时间检测已知类型的干预效果，在已知时间检测未知类型的干预效果，以及在类型和时间都未知时检测干预效果。我们为第一种情况开发了F检验和评分检验。对于第二种和第三种情况，我们依赖于不同F型或分数统计量的最大值。所提出的方法的实用性说明使用每月的数据在希腊的人类布鲁氏菌病感染。
2023-03-14 stat.ME
Evaluating Approximations of Count Distributions and Forecasts for Poisson-Lindley Integer Autoregressive Processes
本文针对离散时间序列使用连续 Gaussian 模型导致预测不一致的问题，通过模拟比较了 PLINAR 模型与 Gaussian 预测变体的预测效果，并利用三种参数估计方法验证了其实用性。
2024-05-30 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
A sharp analysis on the asymptotic behavior of the Durbin-Watson statistic for the first-order autoregressive process
本文的目的是对Durbin-Watson统计量的渐近性态提供一个精确的分析。我们把注意力集中在一阶自回归过程中，驱动噪声也是由一阶自回归过程。我们建立了自回归过程未知参数的最小二乘估计以及与驱动噪声相关的序列相关估计的几乎必然收敛和渐近正态性。此外，还给出了估计的几乎必然收敛速度.它允许我们建立Durbin-Watson统计量的几乎必然收敛和渐近正态性。最后，我们提出了一种新的双边统计检验残差自相关。
2011-04-17 math.PR math.ST q-fin.ST
Comparison of Affine and Rational Quadratic Spline Coupling and Autoregressive Flows through Robust Statistical Tests
INFN（意大利国家核物理研究所）；MaLGa - DIBRIS（马尔盖-迪布里兹）；University of Genova（热那亚大学）；Department of Physics（物理系）；RWTH Aachen（亚琛工业大学）
本文通过鲁棒统计检验比较四种归一化流架构，发现自回归有理二次样条流在精度和训练速度上最优，而耦合有理二次样条在高维下不稳定。
2025-08-04 cs.LG hep-ex hep-ph
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
Testing for residual correlation of any order in the autoregressive process
我们感兴趣的是在一个稳定的自回归过程中的线性自相关驱动噪声的影响，通常的最小二乘估计的渐近行为。我们表明，最小二乘估计是不一致的，我们建议一个尖锐的分析，其几乎必然的极限值以及它的渐近正态性。我们还建立了驱动噪声序列相关参数估计的几乎必然收敛性和渐近正态性。然后，我们推导出一个统计过程，使任何顺序的自回归模型的残差的相关性测试，给出明显优于常用的组合测试的Ljung-Box和Box-Pierce的结果，并出现优于小样本的Breusch-Godfrey程序。
2017-03-13 math.ST stat.TH
Further results on the H-Test of Durbin for stable autoregressive processes
研究了当驱动噪声为一阶自回归过程时，稳定的$p-$阶自回归过程的Durbin-Watson统计量的渐近性态.它是Bercu和Proïa以前专门研究$p=1$特殊情况的工作的延伸。我们建立了自回归过程的未知向量参数的最小二乘估计以及与驱动噪声相关的序列相关估计的几乎必然收敛和渐近正态性。此外，还给出了估计的几乎必然收敛速度.然后，我们证明了几乎必然收敛和渐近正态性的Durbin-Watson统计量，我们推导出一个双边的统计过程来测试存在一个显着的一阶残差自相关，似乎澄清和改善著名的\textit{h-test}建议的Durbin。最后，我们简要总结了我们对模拟样本的观察。
2013-01-02 math.ST stat.TH
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
Multivariate integer-valued autoregressive models applied to earthquake counts
在保险业、金融业、流行病学等各种情况下，需要表示事件发生次数的联合演变。在本文中，我们提出了一个多变量整数值自回归（MINAR）模型，推导了它的性质，并将该模型应用于地震发生在不同的构造板块对。该模型是Pedelis & Karlis（2011）的扩展，其中考虑了交叉自相关（地震背景下的空间传染）。我们拟合了各种双变量计数模型，发现对于许多相邻的构造板块，空间传染在两个方向上都是显着的。此外，忽略交叉自相关可能会低估短期内发生大量事件的可能性。我们的总体研究结果似乎进一步证实了Parsons & Velasco（2001）。
2011-12-05 stat.AP stat.ME
Statistical inference for ARTFIMA time series with stable innovations
具有稳定新息的自回归调和分数积分移动平均通过添加指数调和因子来修改分数积分时间序列模型的幂律核。回火时间序列是一个平稳的模型，可以表现出半长范围的依赖性。本文发展了调和时间序列模型的基本理论，包括相关结构和参数估计。
2021-03-13 stat.AP
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
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
A new First-Order mixture integer-valued threshold autoregressive process based on binomial thinning and negative binomial thinning
本文提出一种基于二项与负二项稀疏算子的混合整数值门限自回归模型，推导其估计方法并验证分段结构，应用于匹兹堡犯罪数据。
2023-09-04 stat.AP stat.ME
Nearly Unstable Integer-Valued ARCH Process and Unit Root Testing
本文提出了一种用于处理计数型时间序列数据的近似不稳定整数值自回归条件异方差（NU-INSIDATE）过程。证明了具有Skorohod拓扑的NU-INDUSTRY过程的适当正规化弱收敛于Cox-Ingersoll-Ross扩散。相关参数的条件最小二乘估计的渐近分布被建立为某些随机积分的泛函。基于蒙特卡罗模拟的数值实验验证了有限样本下的渐近分布的行为。这些模拟表明，几乎不稳定的方法提供了令人满意的和更好的结果比那些基于平稳性假设，即使当真正的过程是不接近非平稳。提出了一种单位根检验方法，并通过蒙特卡罗模拟检验了其第一类错误和功效。举例而言，建议的方法适用于英国每日因COVID-19死亡的人数。
2021-07-16 math.PR math.ST stat.ME
Simultaneous Statistical Inference for Second Order Parameters of Time Series under Weak Conditions
严格平稳性是时间序列文献中的一个常见假设，用于推导二阶顺序统计量的渐近分布结果，如样本自协方差和样本自相关。针对弱平稳性，利用高斯近似技术，在弱平稳性条件下，得到了样本自协方差和样本自相关的最大值的渐近分布。本文重新讨论了一般弱平稳时间序列拟合线性自回归模型参数估计的渐近理论，并导出了自回归系数估计的最大值的高斯逼近定理。为了对所考虑的二阶参数进行统计推断，应用引导算法，即所谓的二阶野生引导。这个引导程序的一致性被证明。与现有的自举替代方案相比，二阶野生自举的有效性不需要施加严格的平稳条件或结构过程假设，如线性。仿真结果表明，二阶Wild Bootstrap具有良好的有限样本性能。
2023-02-25 math.ST stat.TH
On Statistical Inference for High-Dimensional Binary Time Series
University of California San Diego（加利福尼亚大学圣地亚哥分校）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
本文提出了一种用于高维二元时间序列的后选择估计器及二阶野 Bootstrap 算法，以实现对系数矩阵的统计推断，并验证了其良好的有限样本性能。
2025-12-02 math.ST stat.AP stat.ME
Exploring the space-time pattern of log-transformed infectious count of COVID-19: a clustering-segmented autoregressive sigmoid model
于2020年4月20日，中国仅有少数新增COVID-19病例，而世界其他地区的新增病例数量则有所增加。开发一个有效的COVID-19传播统计模型至关重要，这可能有助于全球抗击该病毒。我们提出了一个聚类分段自回归S形（CSAS）模型来探索对数转换的感染计数的时空模式。该CSAS模型包括四个关键特征，包括未知聚类、变点、拉伸S曲线和自回归项，以了解疫情在时间和空间上的传播方式，了解传播如何受到流行病控制策略的影响，并将该模型应用于较长时间段的更新数据。我们提出了一个非参数的基于图的聚类方法发现空间曲线时间序列的相异性，这是合理的理论支持，以证明该模型是如何工作的温和和易于验证的条件下。我们提出了一个非常严格的纯度分数，惩罚高估的集群。仿真结果表明，我们的非参数基于图的聚类方法是更快，更准确的参数聚类方法，无论数据集的大小。我们提供贝叶斯信息准则（BIC）来识别多个变化点并计算平均响应的置信区间。通过将CSAS模型应用于所收集的数据，我们可以解释中国和选定国家的预防和控制政策之间的差异。
2021-02-26 stat.AP 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
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
A test for counting sequences of integer-valued autoregressive models
针对INAR模型中计数序列分布未经统计验证的问题，提出基于均值-方差关系的检验方法，具有渐近正确性，并通过模拟和实际数据验证其有效性。
2024-02-02 math.ST stat.ME stat.TH
An Integer GARCH model for a Poisson process with time varying zero-inflation
本研究提出一种带时变零膨胀的泊松过程整数GARCH模型，拓展了已有零膨胀INGARCH模型，给出EM和MLE两种估计方法，经模拟和真实数据验证拟合效果更优。
2022-07-20 stat.AP
p-order rounded integer-valued autoregressive (RINAR(p)) process
本文考虑离散时间相依计数过程的RINAR（1）过程的一种扩展。本文所研究的模型RINAR（p）是真实AR（p）模型的一个直接和自然的推广。与经典的基于稀疏算子的INAR（p）模型相比，新模型具有新息结构简单、自回归系数符号任意、时间序列可能为负值、自相关函数可能为负值等优点.给出了RINAR（p）模型平稳性和遍历性的条件。对于参数估计，我们考虑了最小二乘估计，并在适当的可辨识性条件下证明了它的相合性。仿真实验以及对真实数据集的分析进行了评估模型的性能。
2009-02-10 math.ST stat.ME stat.TH
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
A perturbation analysis of some Markov chains models with time-varying parameters
我们研究了局部平稳马尔可夫模型中的一些规律性性质，这些性质对于控制非参数核估计量的偏差至关重要。特别是，我们提供了一个替代的标准概念的衍生过程中开发的文献，可用于研究广泛的一类马尔可夫过程。为此，对于一些家庭的V-几何遍历马尔可夫核指标的一个真正的参数u，我们给出的条件下，不变的概率分布是可微的关于u，在带号测度的意义。我们的结果也完成了现有文献的扰动分析的马尔可夫链，特别是当指数矩不是有限的。我们的条件检查几个原始的本地平稳过程，如整数值自回归过程，分类时间序列或阈值自回归过程的例子。
2018-12-05 math.ST stat.TH
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
Triangular Flows for Generative Modeling: Statistical Consistency, Smoothness Classes, and Fast Rates
University of Washington（华盛顿大学）；CREST ENSAE（国立统计与经济行政学院经济研究与应用统计中心）
三角流，也称为Knöthe-Rosenblatt测量耦合，包括用于生成建模和密度估计的归一化流模型的重要构建块，包括流行的自回归流模型，例如实值非体积保持变换模型（Real NVP）。我们提出了三角流统计模型的统计保证和样本复杂性界。特别地，我们利用经验过程理论建立了Knöthe-Rosenblatt测度耦合的Kullback-Leibler估计的统计相合性和有限样本收敛速度.我们的研究结果突出了各向异性的几何函数类在三角流中发挥作用，揭示了最佳的坐标排序，并导致统计保证雅可比流。我们进行数值实验的合成数据来说明我们的理论研究结果的实际意义。
2021-12-31 cs.LG math.PR stat.ML
Statistical Analysis of Autoregressive Fractionally Integrated Moving Average Models
在实践中，几个时间序列表现出长期的依赖性或持久性，在他们的观察，导致了一些估计和预测方法的发展，以解释缓慢衰减的自相关。自回归分数积分移动平均（ARFIMA）过程是最著名的一类长记忆模型。在R的afmtools包中，我们已经实现了一些用于分析ARFIMA模型的统计工具。特别地，该软件包包含用于参数估计、精确自协方差计算、预测能力测试和脉冲响应函数等的函数。最后，实现的方法与应用程序说明了现实生活中的时间序列。
2012-08-08 stat.AP stat.CO stat.ME
Fractional approaches for the distribution of innovation sequence of INAR(1) processes
本文对一阶非负整值自回归[INAR（1）]过程的新息过程的概率母函数进行分式分解，得到相应的概率质量函数。我们还提供了一个全面的审查整数值的时间序列模型，基于稀疏运营商的概念，几何型边缘。特别地，我们发展了四种分数阶方法来获得INAR（1）模型新息序列的分布，并证明了新息序列的分布具有几何型分布。这些方法进行了详细讨论，并通过几个例子说明。最后，利用本文的方法，我们建立了四个新的一阶非负整数值自相关计数的自回归模型，并得到了这些模型的一些性质。
2017-11-29 stat.ME
Estimation of temporal covariances in pathogen dynamics using Bayesian multivariate autoregressive models
众所周知，动物和植物病原体在其宿主内形成相互作用的生物体的复杂生态群落。虽然社区生态学的方法已被应用到确定病原体的相互作用在宿主内的规模，方法，使强大的推断病原体相互作用的流行病学影响是缺乏的。在这里，我们开发了一种新的统计框架，以确定统计协方差从感染时间序列的多种病原体同时。我们的框架扩展了贝叶斯多变量疾病映射模型，通过考虑感染风险的年内和年间依赖性并结合我们估计的病原体间协方差阵来分析多变量时间序列数据。重要的是，我们的方法解释了病原体感染频率时间模式的可能混淆驱动因素，从而能够对病原体-病原体相互作用进行强有力的推断。我们使用模拟数据说明了我们的统计框架的有效性，并将其应用于2005年至2013年期间在主要城市人群中共同传播的五种呼吸道病毒的诊断数据：腺病毒，人类冠状病毒，人类偏肺病毒，乙型流感病毒和呼吸道合胞病毒。我们发现了正负协方差，表明特定病毒对之间的流行病学相互作用。这一统计框架使社区生态学的观点适用于传染病流行病学的公共卫生规划和准备的重要实用程序。
2019-04-13 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
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
COPAR - Multivariate time series modeling using the COPula AutoRegressive model
多元时间序列分析是金融、经济等领域的一个常见问题。用于此目的的经典工具是向量自回归模型。然而，这些仅限于线性和对称依赖的建模。我们提出了一种新的基于Copula的模型，它允许非线性和非对称建模的串行以及系列之间的依赖关系。该模型充分利用了仅由二元连接函数建立的藤连接函数的灵活性。我们描述了新模型的统计推断技术，并在三个相关的应用中证明了它的实用性：我们分析了宏观经济指标的时间序列，电力负荷需求和债券投资组合的回报。
2012-04-04 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
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
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
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
Rate-Optimal Robust Estimation of High-Dimensional Vector Autoregressive Models
在当前数据丰富的环境下，高维时间序列数据出现在许多科学领域。这类数据的分析对数据分析师提出了新的挑战，因为不仅序列之间复杂的动态相关性，而且还存在异常观测，如缺失值，污染观测和重尾分布。对于高维向量自回归（VAR）模型，我们引入了一个统一的估计过程，是强大的模型误设定，重尾噪声污染，和条件异方差。该方法具有统计最优性和计算效率，可以处理许多流行的高维模型，如稀疏，降秩，带状和网络结构的VAR模型。通过适当的正则化和数据截断，在有界$(2+2ε)$阶矩条件下，估计的收敛速度在极大极小意义下几乎是最优的。当$ε\geq1$时，收敛速度与在亚高斯假设下获得的收敛速度相匹配。所提出的估计的一致性也建立了一些$ε\in(0,1)$，与极小极大最优收敛速度与$ε$。模拟和美国宏观经济的例子证明了所提出的估计方法的有效性。
2022-06-19 stat.ME
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
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
An Improved Online Penalty Parameter Selection Procedure for $\ell_1$-Penalized Autoregressive with Exogenous Variables
高维统计时间序列文献中的许多最新发展都集中在可以适应正则化最小二乘的时间相关应用上。特别令人感兴趣的是套索，它既用于正则化又提供特征选择。套索需要指定一个惩罚参数来确定要施加的稀疏度。考虑时间依赖性的最流行的惩罚参数选择方法是非常计算密集的，并且不适合于建模某些类别的时间序列。我们提出了一个规范的时间序列模型，自回归模型与外生变量，一个新的在线惩罚参数选择程序，利用时间序列数据的连续性，以提高计算性能和预测精度相对于现有的方法在模拟和实证应用，涉及宏观经济指标。
2020-10-15 stat.AP stat.ME 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
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
Online Sequential Leveraging Sampling Method for Streaming Autoregressive Time Series with Application to Seismic Data
本文提出在线序贯杠杆采样（SLS）方法，通过选择单个连续数据块并采用序贯停止规则，高效处理流式自回归时间序列，并在两个地震数据集上验证了其识别地震事件和揭示时间依赖结构的能力。
2025-09-25 stat.AP stat.ME
BNB autoregressions for modeling integer-valued time series with extreme observations
本文介绍了一种通用的重尾自回归模型，用于建模具有异常值的整数值时间序列。拟议的规范基于负二项分布的重尾混合，其特征是条件期望的观察驱动动态方程。在一般的压缩条件下，证明了一类自回归过程的唯一平稳遍历解的存在性。在给出似然函数的封闭形式的情况下，可以很容易地用极大似然法进行模型的估计。给出了估计量的强相合性和渐近正态性。规范的两个例子说明了方法的灵活性和理论结果的相关性。特别地，考虑了条件期望的线性动态方程和分数驱动方程。分数驱动的规范被证明是特别有吸引力的，因为它提供了一个强大的过滤方法，衰减离群值的影响。经验应用的时间序列的毒品贩运报告在悉尼说明了该方法在处理极端观测的有效性。
2019-09-06 math.ST stat.ME stat.TH
