The EAS approach for graphical selection consistency in vector autoregression models
The EAS approach for graphical selection consistency in vector autoregression models
复制标题
用于向量自回归模型中图形选择一致性的 EAS 方法
DOI：
10.1002/cjs.11726
复制
发表时间：
2023
期刊：
影响因子：
--
通讯作者：
Hannig, Jan
中科院分区：
文献类型：
--
作者：
Williams, Jonathan P.;Xie, Yuying;Hannig, Jan
正如频率论文献中最近的各种重要论文所证明的那样，沿着宏观经济学，基因组学和神经科学中的许多应用，人们对理解高维向量自回归（VAR）模型的理论估计特性仍然有很大的兴趣。然而，到目前为止，虽然贝叶斯VAR（BVAR）模型已经被开发和实证研究（主要是在计量经济学文献中），但文献中对BVAR模型的重复采样特性的理论研究很少，并且没有VAR模型的广义基准研究。在这个方向上，我们通过容许子集（EAS）方法构建方法，用于基于VAR转移矩阵的所有活动/非活动分量（图）的相对模型概率的广义置信分布进行推断。我们为稳定VAR（1）模型的EAS方法提供了一个成对和强图选择一致性的数学证明，并实证证明了它在高维环境中是一个有效的策略。
As evidenced by various recent and significant papers within the frequentist literature, along with numerous applications in macroeconomics, genomics, and neuroscience, there continues to be substantial interest in understanding the theoretical estimation properties of high‐dimensional vector autoregression (VAR) models. To date, however, while Bayesian VAR (BVAR) models have been developed and studied empirically (primarily in the econometrics literature), there exist very few theoretical investigations of the repeated‐sampling properties for BVAR models in the literature, and there exist no generalized fiducial investigations of VAR models. In this direction, we construct methodology via the‐admissiblesubsets (EAS) approach for inference based on a generalized fiducial distribution of relative model probabilities over all sets of active/inactive components (graphs) of the VAR transition matrix. We provide a mathematical proof ofpairwiseandstronggraphical selection consistency for the EAS approach for stable VAR(1) models, and demonstrate empirically that it is an effective strategy in high‐dimensional settings.
登录
查看更多内容
基于伪似然方法的贝叶斯向量自回归模型的强选择一致性
DOI：
10.1214/20-aos1992
发表时间：
2021
期刊：
The Annals of Statistics
影响因子：
--
作者：
Ghosh, Satyajit;Khare, Kshitij;Michailidis, George
通讯作者：
Michailidis, George
时间序列模型的 Oracle M 估计
影响因子：
0.9
作者：
M. Giurcanu
通讯作者：
M. Giurcanu
DOI：
10.1080/00031305.2018.1556735
发表时间：
2019
期刊：
The American Statistician
影响因子：
--
作者：
Donald Fraser
通讯作者：
Donald Fraser
影响因子：
6.3
作者：
Medeiros, Marcelo C.;Mendes, Eduardo F.
通讯作者：
Mendes, Eduardo F.
DOI：
10.1214/18-aos1733
发表时间：
2017-02
期刊：
The Annals of Statistics
影响因子：
--
作者：
Jonathan P. Williams;Jan Hannig
通讯作者：
Jonathan P. Williams;Jan Hannig