Threshold Estimation via Group Orthogonal Greedy Algorithm
基于分组正交贪婪算法的阈值估计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。
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阈值自回归时间序列，并应用于美国 GNP，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…
基于分组正交贪婪算法的阈值估计
- 研究问题
- 在多阈值自回归模型中，如何处理阈值估计的计算与统计困难，并通过可实施的变量选择程序定位多个阈值？
- 方法与思路
- 作者将多个阈值的检测转化为回归变量选择问题，再用分组正交贪婪算法估计阈值，并提供理论、模拟与美国 GNP 应用。
- 材料陈述的贡献
- 摘要称该程序能够高效估计阈值，并给出支持方法的理论结果；模拟与美国 GNP 应用用于展示其经验表现。
- 阅读关注点
- 核对阈值检测如何转化为分组回归选择、算法的停止与选组规则，以及理论保证的条件、模拟设计和 GNP 应用设定。
- 阅读边界
- 摘要未列出具体理论结论、计算复杂度或模拟比较数值，无法判断算法在不同样本规模、阈值数量和模型设定下的表现。
原文摘要
A threshold autoregressive (TAR) model is an important class of nonlinear time series models that possess many desirable features such as asymmetric limit cycles and amplitude-dependent frequencies. Statistical inference for the TAR model encounters a major difficulty in the estimation of thresholds, however. This article develops an efficient procedure to estimate the thresholds. The procedure first transforms multiple-threshold detection to a regression variable selection problem, and then employs a group orthogonal greedy algorithm to obtain the threshold estimates. Desirable theoretical results are derived to lend support to the proposed methodology. Simulation experiments are conducted to illustrate the empirical performances of the method. Applications to U.S. GNP data are investigated.