Banded Regularization of Autocovariance Matrices in Application to Parameter Estimation and Forecasting of Time Series
自协方差矩阵的带状正则化：时间序列参数估计与预测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。
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：摘要直接研究自协方差矩阵、自回归模型和条件均方预测误差，支持时间序列与预测方向分类。
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
自协方差矩阵的带状正则化：时间序列参数估计与预测
- 研究问题
- 在时间序列的大维度、小样本情形中，如何利用自协方差矩阵正则化拟合较长自回归模型，同时控制估计精度？
- 方法与思路
- 作者对经验自协方差矩阵作带状正则化，研究 Frobenius 范数下一致性，用交叉验证选带宽，并开展模拟和海温预测应用。
- 材料陈述的贡献
- 摘要称，论文为带宽选择提供理论依据，联系交叉验证损失与条件均方预测误差，并支持拟合通常超过 AIC 建议阶数的模型。
- 阅读关注点
- 应核对序列依赖条件、模型阶数及带宽的增长限制、交叉验证的时间划分，以及与常规阶数选择的预测比较设计。
- 阅读边界
- 仅据 Crossref 摘要；一致性条件、带宽最优性的定义和实际预测改善幅度未说明，不能据此声称普遍优于 AIC，也不能推断版本变化。
原文摘要
Summary The paper addresses a ‘large p–small n’ problem in a time series framework and considers properties of banded regularization of an empirical autocovariance matrix of a time series process. Utilizing the banded autocovariance matrix enables us to fit a much longer auto-regressive AR(p) model to the observed data than typically suggested by the Akaike information criterion, while controlling how many parameters are to be estimated precisely and the level of accuracy. We present results on asymptotic consistency of banded autocovariance matrices under the Frobenius norm and provide a theoretical justification on optimal band selection by using cross-validation. Remarkably, the cross-validation loss function for banded prediction is related to the conditional mean-square prediction error and, thus, may be viewed as an alternative model selection criterion. The procedure proposed is illustrated by simulations and application to predicting the sea surface temperature index in the Niño 3.4 region.