Simultaneous Inference for Nonlinear Time Series, a Sieve M-regression Approach
非线性时间序列的同时推断：筛法 M 回归方法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：摘要明确研究非线性时间序列及时间依赖数据的同时推断，未限定为宏观应用。
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…
关注这篇论文的作者
非线性时间序列的同时推断：筛法 M 回归方法
- 研究问题
- 对具有时间依赖的非线性序列，如何将筛法 M 回归的逐点渐近分析扩展为整个预测变量空间上的条件分布不确定性量化？
- 方法与思路
- 作者建立一致 Bahadur 表示，结合依赖数据的高维经验过程理论、M 分解与凸集高斯近似，并设计自卷积 bootstrap。
- 材料陈述的贡献
- 摘要称构造有效的同时置信区域及最大偏差分布近似，给出误差界，并通过数值模拟与真实数据应用支持推断框架。
- 阅读关注点
- 应核对时间依赖与尾部条件、筛基维数增长限制、预测变量空间范围，以及自卷积 bootstrap 的调参和覆盖率证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列明误差界、正则条件及应用结果，不能判断有限样本覆盖精度。
原文摘要
This paper studies simultaneous inference of conditional distributions in nonlinear time series from a sieve M-regression perspective. Existing literature on sieve M-regression has primarily focused on pointwise asymptotics, leaving the development of uncertainty quantification over the entire predictor space unexplored. We address this gap by establishing a uniform Bahadur representation for the sieve M-estimator, accommodating dependent data and a growing number of sieve basis functions. A novel high-dimensional empirical process theory is developed for temporally dependent data, and a specifically designed M-decomposition method is utilized to control high-dimensional complexities. Building on this representation, we develop a convex Gaussian approximation to characterize the asymptotic behavior of the estimator and construct valid simultaneous confidence regions (SCRs). To facilitate practical implementation, we introduce a self-convolved bootstrap algorithm that accurately approximates the distribution of the maximal deviation. Our inferential framework is supported by rigorous error bounds and validated through numerical simulations and real data applications.