High-dimensional Autoregressive Modeling for Time Series with Hierarchical Structures
具有层级结构的高维时间序列自回归建模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：摘要明确研究高维自回归时间序列，并将因子建模作为方法组成部分。
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…
具有层级结构的高维时间序列自回归建模
- 研究问题
- 当高维时间序列变量之间存在层级关系时，如何构建能够利用这些结构、同时具有可解释性的自回归模型？
- 方法与思路
- 作者将新模型设计框架与无监督因子建模结合，采用普通最小二乘估计，提出求解算法及用于超参数选择的提升方法。
- 材料陈述的贡献
- 摘要称，论文建立最小二乘估计的非渐近性质，并通过模拟和 Personality-120 数据应用展示所提方法的作用。
- 阅读关注点
- 应核对层级结构如何进入模型、因子与自回归部分如何衔接、非渐近结论的条件，以及算法和超参数选择规则。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未列出误差界或比较数值，不能判断相对其他高维模型的优势。
原文摘要
Modern applications have made ubiquitous high-dimensional data, especially time-dependent data, with more and more complicated structures, and it also has become more frequent to encounter the scenario of hierarchical relationships among variables. However, there is still a lack of supervised learning tool in the literature for them. To fill this gap, we introduce a new model-designing framework, and it then combines with unsupervised factor modeling tools to form an efficient and interpretable autoregressive model for high-dimensional time series with hierarchical structures. An ordinary least squares estimation is considered, and its non-asymptotic properties are established. Moreover, we propose an algorithm to search for estimates, and a boosting method is also suggested for hyperparameter selection. Simulation experiments are conducted to evaluate finite-sample performance of the proposed methodology, and its usefulness is demonstrated by an application to the Personality-120 dataset.