Another Look at Dependence: The Most Predictable Aspects of Time Series
重新审视依赖性：时间序列最可预测的方面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：摘要研究序列过去与未来的依赖结构，并直接构造可预测性检验及点区间预测，支持时间序列与预测分类。
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
重新审视依赖性：时间序列最可预测的方面
- 研究问题
- 如何寻找单变量时间序列中最可预测的变换，使可预测性同时涵盖多个未来预测期，而非只由一步预测均方误差衡量？
- 方法与思路
- 作者最大化序列过去与未来之间的互信息，以无条件分位数附近的基函数构造变换，并用偏自相关和正则化有限和估计目标。
- 材料陈述的贡献
- 摘要给出最可预测方面及带正交约束的第二方面，并展示其用于无可预测性检验，以及原序列的点预测和区间预测。
- 阅读关注点
- 核对互信息与偏自相关之间关系所需的条件、基函数选择及正则化方案，并检查变换如何转换为原序列预测。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对全文及刊本变化；互信息估计的有效范围、调参方法和预测覆盖表现未说明，不能认定普遍优于其他指标。
原文摘要
Serial dependence and predictability are two sides of the same coin. The literature has considered alternative measures of these two fundamental concepts. In this article, we aim to distill the most predictable aspect of a univariate time series, that is, the one for which predictability is optimized. Our target measure is the mutual information between the past and future of a random process, a broad measure of predictability that takes into account all future forecast horizons, rather than focusing on the one-step-ahead prediction error mean square error. The most predictable aspect is defined as the measurable transformation of the series that maximizes the mutual information between past and future. This transformation arises from the linear combination of a set of basis functions localized at the quantiles of the unconditional distribution of the process. The mutual information is estimated as a function of the sample partial autocorrelations, using a semiparametric method that estimates an infinite sum by a regularized finite sum. The second most predictable aspect can also be defined, subject to suitable orthogonality restrictions. Finally, we illustrate the use of the most predictable aspect for testing the null hypothesis of no predictability and for point and interval prediction of the original time series.