Disaggregating Time-Series with Many Indicators: An Overview of the DisaggregateTS Package
利用众多指标进行时间序列频率分解：DisaggregateTS 软件包概览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：摘要直接研究不同观测频率之间的时间序列分解及高维指标利用。
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…
利用众多指标进行时间序列频率分解：DisaggregateTS 软件包概览
- 研究问题
- 当高频指标数量接近或超过低频样本量时，如何利用低频基准序列和这些指标，估计目标序列在更高频率上的路径？
- 方法与思路
- 作者介绍 R 包 DisaggregateTS 中经典的回归式频率分解方法及其高维扩展，说明实施方式，并以二氧化碳排放序列作应用。
- 材料陈述的贡献
- 摘要的明确贡献是整合经典与高维频率分解方法的软件使用导读和应用演示，未宣称本文另行提出新的高维估计理论。
- 阅读关注点
- 应核对低频与高频数据之间的聚合约束、各方法如何处理众多指标，以及排放应用中的指标选择、误差评价和输出解释。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明高维方法的具体条件或重建精度，低频数据更准确也非普遍保证。
原文摘要
Low-frequency time-series (e.g., quarterly data) are often treated as benchmarks for interpolating to higher frequencies, since they generally exhibit greater precision and accuracy in contrast to their high-frequency counterparts (e.g., monthly data) reported by governmental bodies. An array of regression-based methods have been proposed in the literature which aim to estimate a target high-frequency series using higher frequency indicators. However, in the era of big data and with the prevalence of large volume of administrative data-sources there is a need to extend traditional methods to work in high-dimensional settings, i.e. where the number of indicators is similar or larger than the number of low-frequency samples. The package DisaggregateTS includes both classical regressions-based disaggregation methods alongside recent extensions to high-dimensional settings, c.f. Mosley et al. (2022). This paper provides guidance on how to implement these methods via the package in R, and demonstrates their use in an application to disaggregating CO2 emissions.