High Dimensional Time Series Regression Models: Applications to Statistical Learning Methods
高维时间序列回归模型：统计学习方法的应用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：题名与摘要均明确围绕高维时间序列回归和依赖数据理论展开，支持时间序列分类，未说明具体预测任务。
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…
关注这篇论文的作者
高维时间序列回归模型：统计学习方法的应用
- 研究问题
- 这份讲义梳理高维时间序列回归如何进行估计与推断，重点涉及依赖数据、多协变量和统计学习方法的结合。
- 方法与思路
- 作者依次介绍高维依赖数据的极限理论、含大量协变量的时间序列回归渐近理论，以及统计学习的分析应用。
- 材料陈述的贡献
- 摘要将其定位为现有方法与近期发展的综述讲义，贡献在于组织相关理论和应用，未明确提出新的估计方法。
- 阅读关注点
- 应核对各部分所需的依赖与维数增长条件、回归模型设定，并区分已有研究的介绍和讲义自身新增的结果。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列明具体算法、定理条件或应用中的性能结果。
原文摘要
These lecture notes provide an overview of existing methodologies and recent developments for estimation and inference with high dimensional time series regression models. First, we present main limit theory results for high dimensional dependent data which is relevant to covariance matrix structures as well as to dependent time series sequences. Second, we present main aspects of the asymptotic theory related to time series regression models with many covariates. Third, we discuss various applications of statistical learning methodologies for time series analysis purposes.