ℓ 1 -regularization of high-dimensional time-series models with non-Gaussian and heteroskedastic errors
非高斯与异方差误差下高维时间序列模型的ℓ₁正则化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：摘要直接研究高维线性时间序列，并以美国月度通胀预测检验方法，因此归入时间序列与预测方向。
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
非高斯与异方差误差下高维时间序列模型的ℓ₁正则化
- 研究问题
- 在变量数可超过观测数、误差非高斯且条件异方差的稀疏时间序列中，自适应LASSO能否可靠选择变量并支持预测？
- 方法与思路
- 作者采用自适应LASSO作为折叠凹惩罚最小二乘的一步实现，研究维度随样本增长的渐近性质，并开展模拟与通胀预测应用。
- 材料陈述的贡献
- 摘要称该方法具有模型选择一致性与预言性质；模拟表现良好，美国月度通胀应用中的预测优于所比较的自回归和因子模型。
- 阅读关注点
- 应核对时间依赖、稀疏性、初始估计与惩罚参数条件，以及预测窗口、基准设定和评价指标如何支撑摘要中的理论与应用结论。
- 阅读边界
- 仅据所给出版社摘要，无法判断允许的依赖强度、具体维度增长限制及预测优势幅度，也不能推广为对其他预测任务普遍占优。
原文摘要
We study the asymptotic properties of the Adaptive LASSO (adaLASSO) in sparse, high-dimensional, linear time-series models. The adaLASSO is a one-step implementation of the family of folded concave penalized least-squares. We assume that both the number of covariates in the model and the number of candidate variables can increase with the sample size (polynomially or geometrically). In other words, we let the number of candidate variables to be larger than the number of observations. We show the adaLASSO consistently chooses the relevant variables as the number of observations increases (model selection consistency) and has the oracle property, even when the errors are non-Gaussian and conditionally heteroskedastic. This allows the adaLASSO to be applied to a myriad of applications in empirical finance and macroeconomics. A simulation study shows that the method performs well in very general settings with t-distributed and heteroskedastic errors as well with highly correlated regressors. Finally, we consider an application to forecast monthly US inflation with many predictors. The model estimated by the adaLASSO delivers superior forecasts than traditional benchmark competitors such as autoregressive and factor models.