Local Whittle estimation of high-dimensional long-run variance and precision matrices
高维长期方差与精度矩阵的局部 Whittle 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。
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：摘要直接研究高维时间序列、长程依赖与局部 Whittle 估计，因此归入时间序列方向。
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…
高维长期方差与精度矩阵的局部 Whittle 估计
- 研究问题
- 当时间序列维度随样本增长且可能存在长程依赖时，如何一致估计长期方差矩阵及其逆矩阵，并同时处理记忆参数估计误差？
- 方法与思路
- 作者对多元局部 Whittle 估计量采用阈值化和惩罚收缩，建立包含记忆参数估计的集中不等式，并提出相应算法。
- 材料陈述的贡献
- 摘要称，论文给出高维长期方差和精度矩阵估计的非渐近理论，并在真实参数稀疏的双重渐近框架下保证一致性，另有模拟和数据应用。
- 阅读关注点
- 应核对长期方差在长记忆模型中的参数定义、稀疏性约束、维度增长条件，以及记忆参数误差如何进入矩阵估计界。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要未列出依赖条件、具体速率或应用领域，不能判断结论覆盖哪些高维序列。
原文摘要
This work develops non-asymptotic theory for estimation of the long-run variance matrix and its inverse, the so-called precision matrix, for high-dimensional time series under general assumptions on the dependence structure including long-range dependence. The estimation involves shrinkage techniques which are thresholding and penalizing versions of the classical multivariate local Whittle estimator. The results ensure consistent estimation in a double asymptotic regime where the number of component time series is allowed to grow with the sample size as long as the true model parameters are sparse. The key technical result is a concentration inequality of the local Whittle estimator for the long-run variance matrix around the true model parameters. In particular, it handles simultaneously the estimation of the memory parameters which enter the underlying model. Novel algorithms for the considered procedures are proposed, and a simulation study and a data application are also provided.