High-dimensional latent Gaussian count time series: Concentration results for autocovariances and applications
高维潜在高斯计数时间序列：自协方差集中界及应用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：摘要核心是平稳多元计数时间序列、自协方差及潜在VAR估计；未涉及结构冲击，故仅归入时间序列。
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…
高维潜在高斯计数时间序列：自协方差集中界及应用
- 研究问题
- 如何为多元计数时间序列兼顾指定的边际分布和灵活依赖结构，并在高维情形下控制潜在高斯自协方差估计误差？
- 方法与思路
- 作者用潜在平稳向量高斯序列的确定性变换生成计数，建立两者协方差联系，并将误差集中界用于潜在VAR的Lasso型估计。
- 材料陈述的贡献
- 摘要称，论文给出潜在高斯自协方差估计的集中界，将其联系到观测计数序列与边际参数估计误差，并展示稀疏VAR参数估计应用。
- 阅读关注点
- 应核对协方差映射的可逆性、边际参数误差的传播，以及集中界对维度、依赖强度和潜在VAR稀疏结构的具体要求。
- 阅读边界
- 这是arXiv预印本，同行评审或接收状态未核实；摘要未列出集中界速率和依赖条件，也未说明具体数据或冲击识别应用。
原文摘要
This work considers stationary vector count time series models defined via deterministic functions of a latent stationary vector Gaussian series. The construction is very general and ensures a pre-specified marginal distribution for the counts in each dimension, depending on unknown parameters that can be marginally estimated. The vector Gaussian series injects flexibility into the model's temporal and cross-dimensional dependencies, perhaps through a parametric model akin to a vector autoregression. We show that the latent Gaussian model can be estimated by relating the covariances of the counts and the latent Gaussian series. In a possibly high-dimensional setting, concentration bounds are established for the differences between the estimated and true latent Gaussian autocovariances, in terms of those for the observed count series and the estimated marginal parameters. The results are applied to the case where the latent Gaussian series is a vector autoregression, and its parameters are estimated sparsely through a LASSO-type procedure.