Sparse Temporal Disaggregation
稀疏时间频率分解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：摘要直接研究经济指标在不同时间频率之间的分解，并以 GDP 序列为应用，最直接对应时间序列方向。
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
稀疏时间频率分解
- 研究问题
- 当候选高频指标数量超过低频观测数量时，如何将 GDP 等低频经济指标分解为高频序列，并利用大量辅助信息？
- 方法与思路
- 作者提出稀疏时间频率分解程序，与经典 Chow–Lin 方法比较，通过模拟和英国 GDP 应用考察高维指标环境下的表现。
- 材料陈述的贡献
- 摘要称该方法在模拟中体现若干优势，并能在候选指标多于低频观测的情况下运行；具体优势大小和适用条件未说明。
- 阅读关注点
- 核对稀疏化与变量选择机制、时间聚合约束的满足方式，以及模拟设定、比较指标和英国 GDP 应用中的验证依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明调参、误差结构或数值结果，不能认定其普遍优于经典方法。
原文摘要
Temporal disaggregation is a method commonly used in official statistics to enable high-frequency estimates of key economic indicators, such as GDP. Traditionally, such methods have relied on only a couple of high-frequency indicator series to produce estimates. However, the prevalence of large, and increasing, volumes of administrative and alternative data-sources motivates the need for such methods to be adapted for high-dimensional settings. In this article, we propose a novel sparse temporal-disaggregation procedure and contrast this with the classical Chow-Lin method. We demonstrate the performance of our proposed method through simulation study, highlighting various advantages realised. We also explore its application to disaggregation of UK gross domestic product data, demonstrating the method's ability to operate when the number of potential indicators is greater than the number of low-frequency observations.