Instrumental variables system identification with $L^p$ consistency
具有 Lᵖ 一致性的工具变量系统辨识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离散、连续时间动态系统的参数估计。
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
具有 Lᵖ 一致性的工具变量系统辨识
- 研究问题
- 在含噪动态系统数据中，缺少外部工具变量时，能否从数据构造工具变量以降低最小二乘参数偏差并建立误差保证？
- 方法与思路
- 作者提出从数据合成工具变量的估计器，研究离散与连续时间模型的 Lᵖ 误差性质，模型要求未知参数以线性形式进入。
- 材料陈述的贡献
- 摘要称方法对所有 p≥1 建立 Lᵖ 一致性并获得根号 n 收敛率，在受迫 Lorenz 系统中相较最小二乘降低偏差和均方根误差。
- 阅读关注点
- 应核对合成工具变量的有效性来源、噪声与动态依赖条件，以及摘要中有限样本一致性的含义和根号 n 速率的适用范围。
- 阅读边界
- 这是 arXiv 预印本，评审与接收未核实；摘要未说明工具有效性和噪声条件，Lorenz 系统的改善不能直接推广到其他数据。
原文摘要
Instrumental variables (eliminate the bias that afflicts least-squares identification of dynamical systems through noisy data, yet traditionally relies on external instruments that are seldom available for nonlinear time series data. We propose an IV estimator that synthesizes instruments from the data. We establish finite-sample $L^{p}$ consistency for all $p \ge 1$ in both discrete- and continuous-time models, recovering a nonparametric $\sqrt{n}$-convergence rate. On a forced Lorenz system our estimator reduces parameter bias by 200x (continuous-time) and 500x (discrete-time) relative to least squares and reduces RMSE by up to tenfold. Because the method only assumes that the model is linear in the unknown parameters, it is broadly applicable to modern sparsity-promoting dynamics learning models.