An autocovariance-based learning framework for high-dimensional functional time series
An autocovariance-based learning framework for high-dimensional functional time series
复制标题
基于自协方差的高维函数时间序列学习框架
DOI：
10.1016/j.jeconom.2023.01.007
复制
发表时间：
2020-08
影响因子：
6.3
通讯作者：
Qiwei Yao
中科院分区：
文献类型：
--
作者：
Jinyuan Chang;Cheng Chen;Xinghao Qiao;Qiwei Yao
许多科学和经济应用涉及高维函数时间序列的统计学习，其中函数变量的数量与序列相关函数观测的数量相当，甚至更大。在本文中，我们观察到的功能时间序列，这是受到错误的意义上，每个功能数据产生的两个不相关的组件，一个动态和一个白色噪声的总和。基于观测函数时间序列的自协方差函数会自动滤除噪声项的事实，提出了一个三步框架，首先进行基于自协方差的降维，然后提出一种新的基于自协方差的块正则化最小距离估计，以产生块稀疏估计，并在此基础上获得最终的函数稀疏估计。我们调查的理论性质的估计，并说明了建议的估计过程与相应的收敛性分析，通过三个稀疏的高维函数时间序列模型。我们通过模拟和真实的数据集证明，我们提出的估计显着优于他们的竞争对手。
Many scientific and economic applications involve the statistical learning of high-dimensional functional time series, where the number of functional variables is comparable to, or even greater than, the number of serially dependent functional observations. In this paper, we model observed functional time series, which are subject to errors in the sense that each functional datum arises as the sum of two uncorrelated components, one dynamic and one white noise. Motivated from the fact that the autocovariance function of observed functional time series automatically filters out the noise term, we propose a three-step framework by first performing autocovariance-based dimension reduction, then formulating a novel autocovariance-based block regularized minimum distance estimation to produce block sparse estimates, and based on which obtaining the final functional sparse estimates. We investigate theoretical properties of the proposed estimators, and illustrate the proposed estimation procedure with the corresponding convergence analysis via three sparse high-dimensional functional time series models. We demonstrate via both simulated and real datasets that our proposed estimators significantly outperform their competitors.
登录
查看更多内容
影响因子：
6.3
作者：
H. Müller;Rituparna Sen;U. Stadtmüller
通讯作者：
H. Müller;Rituparna Sen;U. Stadtmüller
DOI：
10.1920/wp.cem.2018.3518
发表时间：
2018-06
期刊：
arXiv: Statistics Theory
影响因子：
--
作者：
A. Belloni;V. Chernozhukov;D. Chetverikov;Christian Hansen;Kengo Kato
通讯作者：
A. Belloni;V. Chernozhukov;D. Chetverikov;Christian Hansen;Kengo Kato
DOI：
10.1016/b978-008044910-4.00546-0
发表时间：
2009
期刊：
--
影响因子：
--
作者：
William W. S. Wei
通讯作者：
William W. S. Wei
影响因子：
2
作者：
M. Jirak
通讯作者：
M. Jirak
影响因子：
4.5
作者：
Hall, Peter;Horowitz, Joel L.
通讯作者：
Horowitz, Joel L.