ARMAr-LASSO: Mitigating the Impact of Predictor Serial Correlation on the LASSO
ARMAr-LASSO：缓解预测变量序列相关对 LASSO 的影响AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕序列相关下的稀疏时间序列模型展开，并明确研究预测及宏观数据应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
ARMAr-LASSO：缓解预测变量序列相关对 LASSO 的影响
- 研究问题
- 在预测变量与误差均具有序列相关的稀疏线性模型中，序列相关如何损害变量选择、参数估计与预测准确性？
- 方法与思路
- 作者提出 ARMAr-LASSO：先用 ARMA 滤波器预白化预测变量，再结合因变量滞后项实施 LASSO，并分析理论性质。
- 材料陈述的贡献
- 摘要称，该方法具有渐近结果和预言机不等式；模拟与宏观数据应用支持其降低估计误差、改善预测及变量选择的表现。
- 阅读关注点
- 应核对预白化的估计步骤、滤波误差如何进入理论，以及维度增长、序列依赖条件和宏观预测比较的具体设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要未说明定理条件、误差界形式和预测改善幅度，不能推及所有时间序列。
原文摘要
We explore estimation and forecast accuracy for sparse linear models, focusing on scenarios where both predictors and errors carry serial correlations. We establish a clear link between predictor serial correlation and the performance of the LASSO, showing that even orthogonal or weakly correlated stationary AR processes can lead to significant spurious correlations due to their serial correlations. To address this challenge, we propose a novel approach named ARMAr-LASSO ({\em ARMA residuals LASSO}), which applies the LASSO to predictors that have been pre-whitened with ARMA filters and lags of dependent variable. We derive both asymptotic results and oracle inequalities for the ARMAr-LASSO, demonstrating that it effectively reduces estimation errors while also providing an effective forecasting and feature selection strategy. Our findings are supported by extensive simulations and an application to real-world macroeconomic data, which highlight the superior performance of the ARMAr-LASSO for handling sparse linear models in the context of time series.