High-Dimensional Multivariate Time Series With Additional Structure
High-Dimensional Multivariate Time Series With Additional Structure
复制标题
具有附加结构的高维多元时间序列
DOI：
10.1080/10618600.2016.1265528
复制
发表时间：
2017
影响因子：
2.4
通讯作者：
Ensor, Katherine B.
中科院分区：
文献类型：
--
作者：
Schweinberger, Michael;Babkin, Sergii;Ensor, Katherine B.
高维多变量时间序列由于数据的相关性和高维性而具有挑战性，但在许多应用中，可以利用额外的结构来减少计算时间沿着统计误差。我们考虑具有空间结构的高维向量自回归过程，空间结构是附加结构的一种简单而常见的形式。我们提出了新的高维方法，利用这种结构，而不作模型假设距离如何影响依赖。我们提供了非渐近界的统计误差的参数估计在高维设置，并表明，所提出的方法减少了统计误差。在美国的空气污染的应用程序表明，估计方法减少了计算时间和预测误差，并产生的结果是有意义的，从科学的角度来看，在高维的方法，忽略空间结构。在实践中，这些高维方法可以用来将高维多变量时间序列分解为低维多变量时间序列，从而可以通过其他方法进行更深入的研究。本文的补充材料可在网上查阅。
High-dimensional multivariate time series are challenging due to the dependent and high-dimensional nature of the data, but in many applications there is additional structure that can be exploited to reduce computing time along with statistical error. We consider high-dimensional vector autoregressive processes with spatial structure, a simple and common form of additional structure. We propose novel high-dimensional methods that take advantage of such structure without making model assumptions about how distance affects dependence. We provide nonasymptotic bounds on the statistical error of parameter estimators in high-dimensional settings and show that the proposed approach reduces the statistical error. An application to air pollution in the USA demonstrates that the estimation approach reduces both computing time and prediction error and gives rise to results that are meaningful from a scientific point of view, in contrast to high-dimensional methods that ignore spatial structure. In practice, these high-dimensional methods can be used to decompose high-dimensional multivariate time series into lower-dimensional multivariate time series that can be studied by other methods in more depth. Supplementary materials for this article are available online.
登录
查看更多内容
DOI：
--
发表时间：
2012
期刊：
影响因子：
--
作者：
R. Davis;T. Mikosch;Ivor Cribben
通讯作者：
Ivor Cribben
相关时间序列模型
DOI：
--
发表时间：
2015
期刊：
影响因子：
--
作者：
G. T. Wilson;M. Reale;J. Haywood
通讯作者：
J. Haywood
影响因子：
37.8
作者：
Ensor, Katherine B.;Raun, Loren H.;Persse, David
通讯作者：
Persse, David
影响因子：
5.8
作者：
Friedman, Jerome;Hastie, Trevor;Tibshirani, Rob
通讯作者：
Tibshirani, Rob
影响因子：
2.6
作者：
J. D. Leeuw
通讯作者：
J. D. Leeuw