On Statistical Inference for High-Dimensional Binary Time Series
高维二元时间序列的统计推断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：分类依据是高维二元向量自回归及其时间序列推断方法，摘要未说明宏观应用。
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
高维二元时间序列的统计推断
- 研究问题
- 对于高维广义二元向量自回归过程，如何在变量选择之后估计系数矩阵，并开展具有理论依据的统计推断？
- 方法与思路
- 作者提出选择后系数估计量，建立其高斯近似结果，并设计二阶野生自助法，为系数矩阵的统计推断提供计算方法。
- 材料陈述的贡献
- 摘要称论文给出了新估计量的高斯近似定理及配套自助推断算法，数值研究和实证应用显示较好的有限样本表现。
- 阅读关注点
- 应核对二元过程的具体定义、时间依赖与稀疏性条件、选择误差处理，以及高斯近似和自助法适用的维数增长范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明定理条件、应用数据及有限样本表现的具体数值。
原文摘要
The analysis of non-real-valued data, such as binary time series, has attracted great interest in recent years. This manuscript proposes a post-selection estimator for estimating the coefficient matrices of a high-dimensional generalized binary vector autoregressive process and establishes a Gaussian approximation theorem for the proposed estimator. Furthermore, it introduces a second-order wild bootstrap algorithm to enable statistical inference on the coefficient matrices. Numerical studies and empirical applications demonstrate the good finite-sample performance of the proposed method.