Penalized Subgrouping of Heterogeneous Time Series
异质性时间序列的惩罚化子群划分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：摘要以多主体多元时间序列的 VAR 动态建模和分组为核心，直接支持时间序列分类，但未涉及冲击识别或宏观应用。
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…
关注这篇论文的作者
异质性时间序列的惩罚化子群划分
- 研究问题
- 对于多个个体的密集纵向时间序列，如何在共同动态和个体特有动态之外，识别并估计仅由部分个体共享的子群动态？
- 方法与思路
- 作者扩展 multi-VAR 框架，在个体转移矩阵的共同与独有动态分解中加入子群层次，并通过结构化惩罚同时进行分组和参数估计。
- 材料陈述的贡献
- 摘要所述贡献是将 multi-VAR 扩展到子群共享动态，并通过模拟与实证应用评价该扩展，比较其他多主体多元时间序列分组方法。
- 阅读关注点
- 应核对子群动态与个体动态的可区分条件、惩罚项和调参方式、分组稳定性，以及模拟和应用中各比较方法的评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明分组一致性条件、具体比较结果或样本要求，不能判断其普遍优势。
原文摘要
Interest in the study and analysis of dynamic processes in the social, behavioral, and health sciences has burgeoned in recent years due to the increased availability of intensive longitudinal data. However, how best to model and account for the persistent heterogeneity characterizing such processes remains an open question. The multi-VAR framework, a recent methodological development built on the vector autoregressive model, accommodates heterogeneous dynamics in multiple-subject time series through structured penalization. In the original multi-VAR proposal, individual-level transition matrices are decomposed into common and unique dynamics, allowing for generalizable and person-specific features. The current project extends this framework to allow additionally for the identification and penalized estimation of subgroup-specific dynamics; that is, patterns of dynamics that are shared across subsets of individuals. The performance of the proposed subgrouping extension is evaluated in the context of both a simulation study and empirical application, and results are compared to alternative methods for subgrouping multiple-subject, multivariate time series.