Simulation of Multivariate Non-Gaussian Autoregressive Time Series with Given Autocovariance and Marginals
本文提出了一种半解析方法，用于生成给定线性相关结构和边缘分布的多元过程的实现。这是单变量过程的类似方法的扩展，基于从非高斯到高斯边缘的分段线性边缘变换，将非高斯过程的自相关变换为高斯过程的自相关。扩展到多变量过程涉及从边际变换中推导自相关矩阵，这决定了生成向量自回归过程。在不同的自协方差和边际情况下设计的系统上证明了该方法的有效性。
2014-03-13 math.PR math.ST stat.CO
Spatial weights matrix selection and model averaging for multivariate spatial autoregressive models
本文针对多元空间自回归模型，提出空间权重矩阵选择与模型平均方法，证明其渐近最优性和选择一致性，模拟及微博数据验证了方法的有效性。
2025-09-07 stat.ME
Localizing Changes in High-Dimensional Vector Autoregressive Processes
自回归模型捕捉随机过程，其中过去的实现决定了新数据的生成分布;它们在各种工业，生物医学和金融环境中自然出现。处理这些数据时的一个关键挑战是确定底层生成模型何时发生变化，因为这可以提供对底层系统不同操作机制的见解。本文描述了一种新的动态规划方法，用于定位高维自回归过程中的变化和相关的差错率，改进了现有技术。当模型参数随时间分段恒定且相应的过程分段稳定时，所提出的动态规划算法即使在维数、系数矩阵的稀疏性允许两个连续变化点之间的时间间隔以及两个连续系数矩阵的差的幅度随样本量而变化。此外，可以经由可证明地改善定位差错率的计算高效的细化算法来提高初始粗略变化点定位估计的准确性。最后，通过仿真实验和实际数据分析，验证了本文方法的数值优越性。
2020-07-29 math.ST stat.ME stat.TH
Identification and validation of periodic autoregressive model with additive noise: finite-variance case
针对现实数据含加性噪声的情况，本文基于残差序列特征函数提出有限方差噪声下PAR模型的阶数选择、周期估计及残差验证方法，构建周期非平稳数据的通用分析框架，成果受机器状态监测相关研究启发。
2023-10-02 math.ST stat.ME stat.TH
Causal Vector Autoregression Enhanced with Covariance and Order Selection
针对弱平稳多变量过程，提出了一种因果向量自回归（CVAR）模型，该模型结合了同时期分量的递归有向图模型和纵向向量自回归模型。采用不同块大小的块Cholesky分解来求解模型方程，并估计沿有向无环图（DAG）的路径系数。如果DAG是可分解的，即零在其邻接矩阵中形成可约零模式（RZP），则应用协方差选择，将零分配给对应的路径系数。现实生活中的应用也被认为是，其中的最佳顺序$p\ge 1$的拟合CVAR $(p)$模型，顺序选择进行各种信息标准。
2022-11-25 stat.ME
Accumulated prediction errors, information criteria and optimal forecasting for autoregressive time series
研究了Rissanen累积预测误差（APE）准则的一种改进形式APE $_{δ_n}$在无限阶自回归（AR（$\infty$））模型中的预测能力. APE $_{δ_n}$不是从一开始就累积顺序预测误差的平方，而是通过对来自阶段$nδ_n$的这些平方误差求和来获得，其中$n$是样本量，并且$1/n\leq δ_n\leq 1-(1/n)$可以取决于$n$。在一定的正则性条件下，导出了由APE $_{δ_n}$确定阶数的AR预测器的均方预测误差（MSPE）的渐近表达式。该表达式表明，APE $_{δ_n}$的预测性能可以根据$δ_n$的选择而显著变化。另一个有趣的发现是，当$δ_n$以一定的速率接近1时，APE $_{δ_n}$在大多数实际情况下可以实现渐近效率。从MSPE的观点出发，建立了APE $_{δ_n}$与一个带有适当惩罚项的信息准则之间的渐近等价性.这为理解基于信息和预测的模型选择标准提供了新的视角。最后，我们提供了第一个渐近效率的情况下，当潜在的AR（$\infty$）模型被允许退化到一个有限的自回归。
2007-08-17 math.ST stat.TH
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
Non-Gaussian Autoregressive Processes with Tukey g-and-h Transformations
当对连续数据进行时间序列分析时，例如气候或环境问题，通常会违反高斯过程的假设。因此，我们引入了两个非高斯自回归时间序列模型，能够适应倾斜和重尾时间序列数据。我们的两个模型都是基于Tukey g-and-h变换。我们讨论了参数估计，顺序选择，和预测程序，我们的模型，并在模拟研究中检查其性能。我们证明了我们的模型的实用性，将它们应用到两组风速数据。
2018-04-18 stat.ME
Granger Causality in Multi-variate Time Series using a Time Ordered Restricted Vector Autoregressive Model
Granger因果关系已被用于研究多变量时间序列的底层系统的相互依赖结构。特别是，直接因果效应通常由条件格兰杰因果关系指数（CGCI）估计。在存在许多观测变量和相对较短的时间序列的情况下，CGCI可能失败，因为它是基于向量自回归模型（VAR）的，涉及大量待估计的系数。在这项工作中，VAR受到一种方案的限制，该方案修改了最近开发的滞后变量的时间向后选择（BTS）方法，并将CGCI与BTS相结合。此外，所提出的方法相比，有利的其他限制VAR表示，如自上而下的策略，自下而上的策略，和最小绝对收缩和选择算子（LASSO），在敏感性和特异性的CGCI。这是通过使用模拟的线性和非线性，低和高维系统和不同的时间序列长度。对于非线性系统，CGCI从限制VAR表示与类似的非线性因果关系指标进行了比较。此外，CGCI结合BTS和其他限制VAR表示被应用到多通道头皮脑电图（EEG）记录的癫痫患者含有癫痫样放电。限制VAR的CGCI，特别是BTS，可以跟踪癫痫样放电之前，期间和之后大脑连接的变化，这是不可能使用完整的VAR表示。
2015-11-11 math.ST physics.data-an stat.CO
Multi-linear Tensor Autoregressive Models
当代的时间序列分析已经看到越来越多的张量类型的数据，从许多领域。例如，股票可以根据规模、账面市值比和营业利润率进行分组，从而在每个月进行3向张量观察。我们提出了一个张量值时间序列的自回归模型，自回归项依赖于多线性系数矩阵。与传统的先对张量观测值进行向量化，再应用向量自回归模型的方法相比，张量自回归模型保留了张量结构，并允许相应的解释。我们介绍了三种估计的基础上投影，最小二乘，和极大似然。我们的分析同时考虑了固定维和高维设置。对于前者，我们建立了估计量的中心极限定理;对于后者，我们着重讨论了估计量的收敛速度和模型选择。通过模拟和实际例子证明了该模型的性能。
2021-10-03 stat.ME
An improved method for model selection based on Information Criteria
信息准则是解决模型选择问题的一个合适且广泛使用的工具。然而，存在不同的使用它们的方法，每种方法都或多或少地导致所寻求的模型的精确近似。本文主要介绍两种利用信息准则的方法：一种是普遍使用的经典方法，另一种是计算量稍大但较精确的替代方法。这些方法进行了比较1-D和2-D自回归模型，我们使用的1-D的情况下，纹理图像的2-D的情况下，合成的过程。我们还使用原始的phi_beta标准，其中包括所有其他常见的标准，如AIC，BIC和phi。
2007-02-19 math.PR math.ST stat.TH
Estimation of High-dimensional Nonlinear Vector Autoregressive Models
University of Notre Dame（圣母大学）；Washington University in St. Louis（华盛顿大学圣路易斯分校）；The University of Chicago（芝加哥大学）
本文提出了一种高维非线性向量自回归模型估计方法，通过基函数展开构建模型，并推导了收敛速率和模型选择一致性，同时展示了在基因表达时间序列数据中的应用优势。
2025-11-23 econ.EM math.ST stat.ME
Model selection for weakly dependent time series forecasting
观察到一个平稳的时间序列，我们提出了一个两步的程序预测的下一个值的时间序列。第一步遵循机器学习理论范式，并且包括确定一组可能的预测因子作为（可能许多）不同预测模型中的随机估计。第二步遵循模型选择范例，并且包括在第一步的所有预测器中选择一个具有良好性质的预测器。我们研究我们的程序为两种不同类型的观测：因果伯努利移位和有界弱相关过程。在这两种情况下，我们都给出了预言不等式：在我们考虑的所有预测模型中，所选预测因子的风险接近于最佳预测风险。我们应用我们的预测模型，如线性预测，神经网络预测和非参数自回归的程序。
2012-07-03 math.ST stat.ME stat.TH
On buffered double autoregressive time series models
为了刻画时间序列中条件均值和条件方差的缓冲现象，提出了一种缓冲双自回归（BDAR）时间序列模型。为了建立该模型，引入了一种新的灵活的状态切换机制，通过捕获信号的粘性来修改经典的阈值时间序列模型。此外，考虑到传统模型在信息缺乏的情况下的不足，该模型还引入了信号回溯，以提供更准确的判断。此外，在几个充分条件下，形式化证明了BDAR模型的严格平稳性和几何遍历性。采用高斯拟极大似然估计（QMLE），并导出其估计量的渐近分布。证明了BDAR模型的估计阈值是$n$ -相容的，并且弱收敛于一个双边复合Poisson过程的泛函.其余参数均为$\sqrt{n}$ -一致且渐近正态。建立了一个模型选择准则及其渐近性质。仿真研究被构造来评估有限样本性能的QMLE和模型选择准则。最后，利用BDAR模型对恒生指数进行实证分析，揭示了投资者对损失和收益偏好的非对称性以及波动结构的非对称性。
2018-10-28 stat.ME
Bivariate generalized autoregressive models for forecasting bivariate non-Gaussian times series
本文提出双变量广义自回归（BGAR）模型，将 VAR 推广到非正态指数族时间序列，利用条件最大似然估计并给出闭式推断工具，在巴西钩端螺旋体病数据上取得优于 GARMA、ARIMA 和 VAR 的预测效果。
2025-07-19 math.ST stat.AP stat.ME
Data-Driven Learning of the Number of States in Multi-State Autoregressive Models
Harvard University（哈佛大学）
在这项工作中，我们考虑一类多状态自回归过程，可以用来模拟非平稳时间序列的利益。为了捕获所观察到的时间序列的不同自回归（AR）状态，选择适当数量的状态至关重要。我们提出了一种新的模型选择技术的基础上的间隙统计，它使用一个零参考分布的稳定AR滤波器，以检查是否添加一个新的AR状态显着提高模型的性能。为此，我们定义了一个新的AR滤波器之间的距离测量的基础上均方预测误差（MSPE），并提出了一种有效的方法来产生随机稳定的滤波器，均匀分布在系数空间。数值结果提供评估所提出的方法的性能。
2015-10-10 cs.LG stat.ML
Autoregressive Process Modeling via the Lasso Procedure
Lasso是线性模型的一个流行的模型选择和估计程序，具有良好的理论特性。本文研究了自回归时间序列模型的Lasso估计。我们采用了一个双渐近框架，最大滞后可能会增加与样本量。我们得出的理论结果建立各种类型的一致性。特别地，我们推导出自回归系数的Lasso估计是模型选择一致、估计一致和预测一致的条件。模拟研究结果的报告。
2008-05-08 math.ST stat.TH
Learning the Number of Autoregressive Mixtures in Time Series Using the Gap Statistics
使用合适的模型来描述时间序列的特征对于做出准确的预测至关重要。在这项工作中，我们使用时变自回归过程（TVAR）来描述非平稳的时间序列，并将其建模为多个稳定的自回归（AR）过程的混合。我们引入了一种新的模型选择技术的基础上间隙统计学习适当数量的AR滤波器需要建模的时间序列。我们定义了一个新的距离测量稳定的AR滤波器之间的距离，并绘制一个参考曲线，用于衡量增加一个新的AR滤波器提高了多少模型的性能，然后选择的AR滤波器的数量有最大的差距与参考曲线。为此，我们提出了一种新的方法，以产生均匀的随机稳定的AR滤波器在根域。数值结果表明所提出的方法的性能。
2015-09-11 stat.ML
Wasserstein Autoregressive Models for Density Time Series
由时间指数分布的横截面或日内收益组成的数据在金融领域已经得到了广泛的研究，并提供了一个例子，其中数据原子由连续相关的概率分布组成。受这些数据的启发，我们提出了一个自回归模型的密度时间序列，利用切空间结构的分布空间，这是由Wasserstein度量。密度本身不被假设为具有任何特定的参数形式，从而可以灵活地预测未来未观测到的密度。阶$p$ Wasserstein自回归模型的主要估计指标是Wasserstein自相关和向量值自回归参数。我们提出了合适的估计，并建立其渐近正态性，这是在模拟研究中验证。新的顺序- $p$ Wasserstein自回归模型导致的预测算法，其中包括一个数据驱动的顺序选择过程。它的性能相比，现有的预测程序，通过应用程序的四个财务回报数据集，其中各种指标被用来量化预测的准确性。对于大多数指标，所提出的模型优于现有的方法在两个数据集，而最好的经验表现在其他两个数据集是通过现有的方法的基础上的密度的函数变换。
2020-06-22 stat.ME
High-dimensional Autoregressive Modeling for Time Series with Hierarchical Structures
Department of Statistics and Actuarial Science, University of Hong Kong（香港大学统计及精算学系）
本文提出一种结合监督学习与无监督因子建模的高效自回归模型，用于处理高维时间序列中的分层结构数据，通过普通最小二乘估计和提升方法进行参数选择，通过仿真和Personality-120数据集验证方法有效性。
2026-11-03 stat.ME
EventFlow: Forecasting Temporal Point Processes with Flow Matching
University of Oxford（牛津大学）；University of California, Berkeley（加州大学伯克利分校）；University of California, Irvine（加州大学尔湾分校）
EventFlow提出了一种非自回归生成模型，用于时间点过程的预测，通过流匹配框架直接学习事件时间的联合分布，降低预测误差，优于基线模型。
2026-04-06 cs.LG stat.ML
Change-points analysis for generalized integer-valued autoregressive model via minimum description length principle
本文提出基于最小描述长度原理的 MCP-GINAR 过程对非平稳计数时间序列建模，利用结合模拟退火的遗传算法优化变点选择，证明了方法的一致性并在模拟与真实数据中验证了其优异性能。
2023-07-02 stat.AP stat.CO
Sampling Requirements for Stable Autoregressive Estimation
研究了具有亚高斯新息的线性单变量自回归模型的参数估计问题。假设参数是可压缩的，我们分析的性能的$\ell_1$正则化最小二乘以及贪婪估计的参数和特征的采样权衡所需的稳定恢复在非渐近制度。特别是，我们表明，对于一个固定的稀疏水平，稳定的AR参数恢复时，样本的数量与AR阶次线性缩放是可能的。我们的研究结果改善了现有的采样复杂性的要求，AR估计使用LASSO，当稀疏水平的规模快于模型阶的平方根。我们进一步推导出稀疏水平上的充分条件，保证极小极大最优的$\ell_1$ -正则化最小二乘估计。将这些技术应用于模拟数据以及来自原油价格和交通速度数据的真实数据集，证实了我们在估计精度和模型选择方面的预测理论性能增益。
2017-01-17 cs.DM cs.IT math.IT
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
Simultaneous sparse model selection and coefficient estimation for heavy-tailed autoregressive processes
提出了一种基于惩罚条件极大似然的重尾新息自回归过程的稀疏系数估计和自动模型选择方法.在新息过程的弱矩条件下，惩罚条件极大似然估计（PCMLE）满足强相合性、$O_P(N^{-1/2})$相合性和oracle性质，其中N是样本量.根据罚函数的弱条件，我们可以自由选择罚函数。比较了最小绝对收缩选择算子（LASSO）和平滑裁剪平均偏差（SCAD）两种罚函数。所提出的方法提供了一个基于分布的惩罚推理AR模型，这是特别有用的，当其他估计方法失败或执行厚尾新息的AR过程（见\cite{Resnick}）。仿真研究证实了我们的理论结果。最后，我们将我们的方法应用于美国消费品工业生产指数的历史价格数据，并获得了非常有前途的结果。
2013-09-21 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
Compressive Nonparametric Graphical Model Selection For Time Series
本文提出了一种从有限长观测值推断高维离散高斯向量随机过程的条件独立图的方法。我们的方法不依赖于参数模型（例如，自回归模型）;相反，它仅假设某些谱平滑特性。所提出的推理方案是压缩的，因为它适用于比标量过程组件的数量（远）小的样本量。我们提供的分析条件，我们的方法，以正确识别的CIG与高概率。
2014-03-08 stat.ML
Local Interaction Autoregressive Model for High Dimension Time Series Data
Fudan University（复旦大学）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
针对高维矩阵和张量时间序列的局部依赖性，提出LIAR框架及可分离LIAR变体，通过带BIC型邻域选择器的并行最小二乘法推导参数估计算法，经理论分析和模拟验证，在实际数据应用中能识别局部时空传播并改进预测。
2026-07-16 stat.ME
Measuring General Associations in Time Series: An Adaptation and Empirical Evaluation of the CODEC Coefficient in Determining Autoregressive Dynamics
本研究改编CODEC系数为模型无关的滞后选择工具，通过模拟和基准数据验证，其在非线性和非平稳时间序列中优于传统相关度量，为自回归动态识别提供实用方法。
2025-09-07 stat.CO stat.ME
Bayesian Median Autoregression for Robust Time Series Forecasting
本文提出了一种用于时间序列预测的贝叶斯中值自回归模型。所提出的方法利用时变分位数回归在中位数，有利地继承中位数回归的鲁棒性，而广泛使用的均值为基础的方法。贝叶斯分位数回归中的拉普拉斯似然方法的启发，BayesMAR通过将高斯误差改变为拉普拉斯，采用与自回归模型具有相同结构的参数模型，从而为时间序列预测提供了一种简单，鲁棒和可解释的建模策略。我们用马尔可夫链蒙特卡罗估计模型参数。除了贝叶斯模型选择方法外，贝叶斯模型平均法用于解释模型不确定性，包括自回归顺序中的不确定性。所提出的方法进行了说明，使用模拟和实际数据的应用。对美国宏观经济数据预测的应用表明，与所选择的基于均值的替代方案相比，BayesMAR在包括点预测和概率预测的各种损失函数下具有良好的预测性能。所提出的方法是通用的，可以用来补充丰富的一类方法，建立在自回归模型。
2020-12-05 econ.EM stat.AP stat.ME
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
Multivariate Spatio-Temporal Regression with Penalized Model Selection and an Empirical Application
Nagasaki University（长崎大学）；Meio University（名城大学）；Hiroshima University of Economics（广岛经济大学）
本文提出多元通用嵌套时空（MGNST）回归框架，结合惩罚模型选择方法，通过蒙特卡洛实验和日本关西地区198个城市的社会经济数据验证了其在分析多元时空依赖结构的有效性。
2026-08-21 stat.AP stat.ME
Multiple changepoint detection for periodic autoregressive models with an application to river flow analysis
在河流流量分析和预测中，为了获得可靠的结果，需要考虑一些关键因素。例如，季节性经常在统计模型中考虑，因为每年发生的气候振荡对河流流量有明显的影响。进一步的变化来源可能是由于油藏管理、仪器仪表的变化，甚至是气候条件的意外变化。如果忽略这些变化，统计结果可能会产生很大的误导。本文发展了一个自动估计周期自回归模型中变点个数和位置的方法。后者已被广泛用于水文，气候学，经济学和电气工程的季节性建模，但也有很少的论文致力于变点检测，而且被限制在平均值或方差的变化。在我们的建议中，我们允许作为一个整体的模型结构的变化，估计是通过优化的目标函数来自信息准则，使用遗传算法。以3条河流为例，建立了具有可能变点的模型，并通过均方根误差、平均绝对误差和平均绝对百分误差评价了模型的预测精度。过去几年的数据集已从选择和估计程序中删除，然后用于预测。与河流流量预测文献的比较证实了我们的建议的效率。
2018-01-05 stat.AP
Selecting optimal multistep predictors for autoregressive processes of unknown order
我们考虑的问题，选择最佳的（在均方预测误差的意义上）的多步预测的自回归（AR）过程的有限，但未知的顺序。如果工作AR模型（可能被错误指定）被用于多步预测，则两种竞争类型的多步预测器（即，插件和直接预测器）可以从该模型获得。我们提供了一些有趣的例子来表明，当插件和直接预测被认为是，最佳的多步预测结果不能保证正确识别底层模型的顺序。这一发现挑战了传统的模型（顺序）选择标准，通常旨在选择真实模型的顺序。提出了一种新的预测选择准则，试图寻求预测顺序和预测方法的最佳组合，以纠正这一困难。当基本模型是平稳的，所提出的标准的有效性是合理的理论。
2004-06-22 math.ST stat.TH
Bayesian Time-Varying Tensor Vector Autoregressive Models for Dynamic Effective Connectivity
本文提出一种计算高效的贝叶斯时变张量向量自回归模型，通过张量分解和Ising模型选择活动组件，实现动态有效连接的推断，并在模拟和fMRI数据中验证性能。
2024-05-29 stat.AP stat.ME
A Unified Frequency Domain Cross-Validatory Approach to HAC Standard Error Estimation
提出统一的频域交叉验证（FDCV）方法用于估计HAC标准误，支持在参数化与非参数化谱估计器间进行模型选择，并提供高效计算技术，模拟表明其优于现有HAC估计器。
2023-06-30 econ.EM stat.ME
A New High-Dimensional Time Series Approach for Wind Speed, Wind Direction and Air Pressure Forecasting
在文献中已经提出了许多风速预测方法。本文介绍了一种新的联合预报风速、风向和气压的统计方法。风向和气压是提高风速预报精度的重要因素。对风向的良好预测有助于将涡轮机带入主导风向。我们结合了多变量季节时变阈值自回归模型的相互作用（TVARX）与阈值季节自回归条件异方差（TARCHX）模型。该模型包括周期性，条件异方差，不同的因变量和一个复杂的自回归结构的非线性影响的相互作用。与普通的似然估计方法相比，我们应用高维收缩技术，而不是对因变量的分布假设。迭代重加权最小绝对收缩和选择算子（LASSO）方法允许捕获条件异方差和相对较快的计算时间。所提出的方法产生准确的预测的风速，风向和气压的短期内。预测时间间隔长达24小时。
2017-07-13 stat.AP
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
Statistical inference of high-dimensional vector autoregressive time series with non-i.i.d. innovations
针对高维向量自回归时间序列，提出允许非独立甚至非平稳新息的统计推断方法，采用后选择估计器并开发自助法算法，以更贴合现实数据。
2023-10-11 math.ST stat.ME 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
Bayesian Models for Joint Selection of Features and Auto-Regressive Lags: Theory and Applications in Environmental and Financial Forecasting
Department of Statistics University of Connecticut（统计学系 美国康涅狄格大学）；Department of Statistics North Carolina State University（统计学系 北卡罗来纳州立大学）
本文提出一种基于spike-and-slab先验的分层贝叶斯框架，用于线性回归中协变量与滞后误差项的联合选择，并设计两阶段MCMC算法解决高维计算问题，在理论和实际应用中均展现出更高的选择准确性与预测性能。
2025-08-15 cs.LG math.ST stat.ME
