Structured Estimation of Heterogeneous Time Series
异质时间序列的结构化估计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：摘要直接研究多个个体的多变量时间序列，并以 VAR 框架估计共同和个体动态。
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
异质时间序列的结构化估计
- 研究问题
- 研究如何同时估计多个个体的多变量时间序列，在共同动态与个体差异并存时，提高动态关系恢复和参数估计表现。
- 方法与思路
- 作者在惩罚估计的 multi-VAR 框架中引入新的自适应权重，用少量模拟比较动态路径恢复和偏差，并提供示例及 R 包代码说明。
- 材料陈述的贡献
- 摘要称，新惩罚权重明显改善估计表现，并展示不同异质性情形下 multi-VAR 的用途；改善幅度和适用范围未说明。
- 阅读关注点
- 应核对共同与个体动态的分解、自适应权重来源、惩罚参数选择，以及模拟中的异质性设置和路径恢复评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要仅提及少量模拟，未说明理论保证，不能据此认定方法普遍优于替代估计量。
原文摘要
How best to model structurally heterogeneous processes is a foundational question in the social, health and behavioral sciences. Recently, Fisher et al., (2022) introduced the multi-VAR approach for simultaneously estimating multiple-subject multivariate time series characterized by common and individualizing features using penalized estimation. This approach differs from many popular modeling approaches for multiple-subject time series in that qualitative and quantitative differences in a large number of individual dynamics are well-accommodated. The current work extends the multi-VAR framework to include new adaptive weighting schemes that greatly improve estimation performance. In a small set of simulation studies we compare adaptive multi-VAR with these new penalty weights to common alternative estimators in terms of path recovery and bias. Furthermore, we provide toy examples and code demonstrating the utility of multi-VAR under different heterogeneity regimes using the multivar package for R (Fisher, 2022).