Sparse estimation of parameter support sets for generalized vector autoregressions by resampling and model aggregation
通过重抽样与模型聚合稀疏估计广义向量自回归的参数支撑集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：摘要直接研究离散多变量时间序列的广义向量自回归，并用于网络恢复。
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…
通过重抽样与模型聚合稀疏估计广义向量自回归的参数支撑集
- 研究问题
- 离散多变量时间序列的稀疏模型中，如何可靠识别非零参数的位置？作者重点研究广义向量自回归及其网络恢复应用。
- 方法与思路
- 作者对子样本使用 LASSO 获得多个候选参数支撑集，再选取共同参数进行模型聚合，重点考察泊松广义向量自回归模型。
- 材料陈述的贡献
- 摘要称，论文提出支撑集聚合算法、LASSO 基准和广义向量自回归模拟策略，并展示性能改善及古气候数据的生态网络估计。
- 阅读关注点
- 应核对子抽样方式、共同参数的筛选规则与调参程序，并检查网络恢复评价指标、时间依赖处理及与基准比较的公平性。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出选择一致性条件和数值结果，所估计网络也不能直接解释为因果网络。
原文摘要
The central problem we address in this work is estimation of the parameter support set S, the set of indices corresponding to nonzero parameters, in the context of a sparse parametric likelihood model for discrete multivariate time series. We develop an algorithm that performs the estimation by aggregating support sets obtained by applying the LASSO to data subsamples. Our approach is to identify several candidate models and estimate S by selecting common parameters, thus "aggregating" candidate models. While our method is broadly applicable to any selection problem, we focus on the generalized vector autoregressive (GVAR) model class, and particularly the Poisson case, emphasizing applications in network recovery from discrete multivariate time series. We propose benchmark methods based on the LASSO, develop simulation strategies for GVAR processes, and present empirical results demonstrating the superior performance of our method. Additionally, we present an application estimating ecological interaction networks from paleoclimatology data.