Investigating new, signature-based, spatial autoregressive models for functional covariates
Univ. Lille（里尔大学）；CHU Lille（里尔大学医院）
本文提出两种新模型，用于改进基于特征的空间自回归分析，通过模拟验证其性能和效率，并应用于早逝率和高龄人口死亡率分析。
2025-11-27 stat.ME
A functional spatial autoregressive model using signatures
本文提出基于 signature 的函数型空间自回归模型，以迭代积分无穷级数表示函数，给出理论保证，并通过模拟与真实数据验证其性能具有竞争力。
2024-03-12 stat.ME
Spatial Functional Linear Model and its Estimation Method
经典的函数线性回归模型（FLM）及其扩展模型建立在所有个体相互独立的假设基础上，已被广泛研究和应用。这种独立性假设在实践中有时会被违反，特别是当在包括市场营销、社会学和空间经济学在内的科学学科中收集具有网络结构的数据时。然而，相对较少的研究已经审查了FLM的应用程序的数据与网络结构。我们提出了一种新的空间功能线性模型（SFLM），它将一个空间自回归参数和空间权重矩阵FLM，以适应个体之间的空间依赖性。该模型利用FLM处理高维协变量和空间自回归（SAR）模型捕捉网络依赖性，具有相对灵活性。提出了一种基于函数主成分分析（FPCA）和极大似然估计的估计方法。仿真研究表明，我们的方法执行以及基于FPGA的方法与FLM使用时，没有网络结构，并优于后者时，网络结构。一个真实的天气数据也被用来证明SFLM的实用性。
2018-11-01 stat.CO
A Functional Coefficients Network Autoregressive Model
本文提出函数系数网络自回归（FCNAR）模型，通过结合节点自身与邻居的过去值非线性地分析多元时间序列，解决了重尾误差下的稳定性与参数推断问题，并经合成与空气污染数据验证了其有效性。
2024-02-12 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
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
Consistency of the plug-in functional predictor of the Ornstein-Uhlenbeck process in Hilbert and Banach spaces
在自回归的Hilbert值和Banach值框架下，得到了Ornstein-Uhlenbeck过程的函数预测的新结果.具体而言，一致性的最大似然估计的自相关算子，并在这两个框架中获得相关的插件预测。
2018-09-04 math.FA math.ST stat.AP
Functional generalized autoregressive conditional heteroskedasticity
异方差性是金融时间序列的一个共同特征，通常在建模过程中通过使用时间序列和时间序列过程来处理。最近，这些过程的多变量变量一直是研究的焦点，并注意寻求大量模型参数的有效和经济估计的方法。然而，由于需要估计许多参数，这些模型可能不适合建模现在流行的高频波动数据。绕过这些问题的一种可能有用的方法是采用功能方法。在本文中，理论开发了一个新的功能版本的广义自回归条件异方差过程，称为fGesthetic。主要结果是关于fG（1，1）过程的结构，给出了在平方可积函数空间和连续函数空间中存在严格平稳解的判据.介绍了一种估计方法，并验证了其一致性。一个小的实证研究突出了潜在的应用，日内波动估计。
2015-12-17 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
Estimation of a functional single index model with dependent errors and unknown error density
研究了具有相依误差的泛函单指标模型的误差密度估计问题。在自回归误差结构下，利用贝叶斯方法同时估计核形式误差密度和回归函数的带宽。对于回归函数和误差密度的估计，实证研究表明，函数单指数模型给出了改进的估计和预测精度比任何非参数函数回归考虑。此外，误差密度的估计有助于构造响应变量的预测区间。
2018-10-19 stat.AP
A new class of functional conditional autoregressive models
New York University（纽约大学）
本文提出了一种新的条件自回归模型，用于空间依赖的功能数据，通过给定邻近功能观测的条件均值进行建模，并通过协方差算子和空间依赖参数进行表征。研究方法包括估计协方差算子、估计空间依赖参数以及应用新的基于轮廓的方法。理论结果证明了协方差估计器的一致性和空间依赖参数估计器的超一致性，为功能数据的空间依赖性提供了新的统计推断方法。
2026-07-03 stat.ME
Dynamic Network Autoregressive Models for Functional Panel Data
Melbourne Business School, University of Melbourne（墨尔本商学院，墨尔本大学）；School of Political Science and Economics, Waseda University（政治经济学院，早稻田大学）
本文提出了一种功能网络自回归模型，用于分析面板数据中功能结果的相互作用，并通过实证研究展示了其在自行车共享服务需求分析中的应用。
2026-07-28 econ.EM stat.ME
Functional summary statistics for point processes on the sphere with an application to determinantal point processes
本文研究了$\mathbb S^d$（$d$维单位球$\mathbb S^d$）上的点过程，考虑了各向同性和各向异性两种情况，主要研究了球$d=2$上的点过程.第一部分研究了约化Palm分布和函数汇总统计量，包括最近邻函数、空空间函数、Ripley函数和非齐次$K$ -函数。第二部分讨论了球面上决定点过程模型的吸引力性质，并讨论了函数概括统计量在决定点过程中的应用。事实上，DPPs表现出排斥性，但我们也使用它们与某些相关的细化时，构建点过程模型的大规模聚集和小规模的规则性。最后，我们讨论了未来的工作统计空间点过程的领域。
2016-06-12 stat.ME
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
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
Surrogate modeling with functional nonlinear autoregressive models (F-NARX)
本文提出函数型非线性自回归模型F-NARX，在时间特征空间中建模动态系统，结合主成分分析、多项式回归和混合最小角回归，实现更稳定且稀疏的代理建模，并在风荷载与地震荷载案例中验证其有效性。
2025-07-06 stat.AP stat.ME
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
Asymptotic Theory for Regularized Estimation in Functional Time Series Models
Shanghai Center for Mathematical Sciences, Fudan University（复旦大学上海数学中心）；Department of Financial and Actuarial Mathematics, Xi’an Jiaotong-Liverpool University（西交利物浦大学金融精算数学系）；School of Data Science, Fudan University（复旦大学数据科学学院）；Business Division, New York University Shanghai（纽约大学上海分校商学院）
针对函数自回归（FAR）模型因希尔伯特空间无限维导致的不适定性，本文提出正则化估计理论框架，引入Tikhonov正则化推导Yule-Walker型估计量，证明其一致性与渐近正态性，通过模拟和可穿戴设备数据验证有效性。
2025-11-14 stat.ME
LASSO estimation for spherical autoregressive processes
本文的目的是研究一类球形函数自回归过程，以便引入和研究相应自回归核的LASSO（最小绝对收缩和选择算子）类型估计，该估计通过其谱分解定义在调和域中。证明了这些估计的一些重要性质，特别是一致性和预言不等式。
2020-07-03 math.PR math.ST stat.ME
Functional summary statistics and testing for independence in marked point processes on the surface of three dimensional convex shapes
针对三维凸形表面的多类型标记点过程，本文推广函数汇总统计量并构造边缘独立性检验方法，在模拟数据与RNGC星系数据中发现不同星系类型间的吸引依赖。
2024-10-01 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 SAC model: With application to spatial econometrics
空间自回归组合（SAC）模型在地理、经济、人口、区域科学等领域的空间数据分析中得到了广泛的研究。这是一个具有标量响应、标量解释变量的线性模型，允许因变量和干扰的空间相互作用。在这项工作中，我们将这种建模方法从标量扩展到函数协变量。模型参数采用极大似然估计法进行估计。仿真研究进行评估所提出的方法的性能。举例来说，该模型被用来确定塞内加尔失业与文盲之间的关系。
2020-04-16 stat.ME
Estimating Great Expectations Under Autoregressive Language Models with Potentials
ETH Zürich（苏黎世联邦理工学院）；Columbia University（哥伦比亚大学）
本文提出利用采样副产品的下一词元条件概率，通过可加分解测试函数的前缀势函数构造估计量，推导其降方差条件，开发实用势函数并在相当计算成本下实现显著方差降低，提升了自回归语言模型下期望估计的效率。
2026-10-22 cs.AI cs.LG stat.ME
Spherically Embedded Time Series with Unknown Trend and Periodic Components
Macquarie University（麦考瑞大学）
本文提出统一的几何框架分析非平稳球面嵌入时间序列，通过非参数球面趋势-周期性分解模型提取趋势和周期成分，结合球面自回归模型提升预测性能。
2026-08-28 stat.AP stat.ME
Bayesian Tensor Factorized Vector Autoregressive Models for Inferring Granger Causality Patterns from High-Dimensional Multi-subject Panel Neuroimaging Data
利用非侵入性神经影像技术了解功能性脑连接模式的动态是人类神经科学的一个重要焦点。向量自回归（VAR）过程和格兰杰因果分析（GCA）已被广泛用于这一目的。虽然高分辨率的多学科神经影像学数据是日常收集的一天，VAR模型的统计文献仍然高度集中在小到中等尺寸的问题和单一的主题数据。基于这些问题，我们提出了一种新的贝叶斯随机效应面板VAR模型，用于多主题高维神经影像数据。我们从一个单主体模型开始，将VAR系数构造为三向张量，然后通过应用Tucker张量分解来降低维度。一种新的稀疏诱导收缩先验允许数据自适应秩和滞后选择。然后，我们将该方法扩展到一种新的多学科数据的随机效应模型，该模型小心地避免了维度随着受试者数量的增加而爆炸，但也灵活地适应了特定于受试者的异质性。我们设计了一个用于后验计算的马尔可夫链蒙特卡罗算法。最后，对后验样本进行带有后验错误发现控制的GCA。该方法在仿真实验中表现出了良好的经验性能。应用于我们的激励功能磁共振成像研究，该方法允许人类大脑网络的定向连接进行详细研究，揭示有意义的，但以前未经证实的皮层连接模式。
2022-09-14 stat.AP stat.ME
A spatial functional count model for heterogeneity analysis in time
在时空对数高斯Cox过程模型中，采用空间曲线动力学模型框架对计数进行函数预测。我们的空间功能估计方法处理基于小波的异质性分析的时间，和空间的频谱分析。具体地，通过最小化数据下的多尺度模型与空间谱域中的对应候选者之间的信息发散或相对熵来实现模型拟合。在对数高斯空间自回归l2值过程（SARl2过程）族中进行了模拟研究，以说明所提出的空间函数估计的渐近性质.我们将我们的建模策略应用于呼吸系统疾病死亡率的时空预测。
2020-10-08 stat.ME stat.OT
Bayesian Testing Of Granger Causality In Functional Time Series
本文提出多元函数型自回归模型，结合贝叶斯动态线性模型与贝叶斯因子检验格兰杰因果，并应用于金融收益率曲线和气候污染物数据。
2021-12-31 q-fin.ST stat.AP stat.ME
A review and comparative study on functional time series techniques
本文回顾了在函数时间序列的背景下，当考虑Hilbert空间和巴拿赫空间时，特别是在一阶自回归过程（ARH（1）和ARB（1）过程，H和B分别是Hilbert空间和巴拿赫空间）的背景下，得到的主要估计和预测结果。特别是，我们注意的估计和预测结果，统计检验，在参数和非参数框架。不同的ARH（1）预测方法之间的比较研究，在模拟研究中进行。
2017-06-20 math.FA math.HO math.ST
