Forecasting Multiple Time Series With One-Sided Dynamic Principal Components
使用单侧动态主成分预测多条时间序列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：摘要明确涉及多序列预测、动态主成分及动态因子模型的共同成分重构。
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…
使用单侧动态主成分预测多条时间序列
- 研究问题
- 如何构造仅依赖当前和过去观测的动态主成分，使高维多序列降维适用于预测，并连接动态因子模型的共同成分？
- 方法与思路
- 作者以最小化重构均方误差定义单侧动态主成分，采用交替最小二乘计算，并研究固定及增长维度下的收敛性质。
- 材料陈述的贡献
- 摘要称估计在平稳遍历条件下收敛到总体对象；动态因子模型下重构渐近逼近共同成分，模拟预测比较表现有利。
- 阅读关注点
- 应核对滞后阶数和成分数选择、双重渐近所需条件，以及预测如何生成、比较方法如何调参和划分评估样本。
- 阅读边界
- 来源为版本未注明的OpenAlex摘要；收敛定理完整条件和预测误差数值未提供，模拟比较不能说明普遍预测优势。
原文摘要
We define one-sided dynamic principal components (ODPC) for time series as linear combinations of the present and past values of the series that minimize the reconstruction mean squared error. Usually dynamic principal components have been defined as functions of past and future values of the series and therefore they are not appropriate for forecasting purposes. On the contrary, it is shown that the ODPC introduced in this article can be successfully used for forecasting high-dimensional multiple time series. An alternating least-squares algorithm to compute the proposed ODPC is presented. We prove that for stationary and ergodic time series the estimated values converge to their population analogs. We also prove that asymptotically, when both the number of series and the sample size go to infinity, if the data follow a dynamic factor model, the reconstruction obtained with ODPC converges in mean square to the common part of the factor model. The results of a simulation study show that the forecasts obtained with ODPC compare favorably with those obtained using other forecasting methods based on dynamic factor models. Supplementary materials for this article are available online.