Subsampling and model selection in time series analysis
时间序列分析中的子抽样与模型选择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：摘要明确以时间序列预测风险进行模型选择，并分析自回归阶数选择，直接涉及时间序列与预测两个方向。
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…
关注这篇论文的作者
时间序列分析中的子抽样与模型选择
- 研究问题
- 如何用子抽样估计时间序列的预测风险，并据此在可能非嵌套或误设的候选模型之间进行经验选择？
- 方法与思路
- 作者以子抽样估计预测风险，将其作为模型选择准则，并提出使用共同子样本长度的实际选择程序。
- 材料陈述的贡献
- 摘要称证明预测风险子抽样估计的强一致性，适当选择子样本长度时，自回归模型阶数选择也具有一致性。
- 阅读关注点
- 核对预测风险的损失定义、序列依赖条件、子样本长度要求，以及非嵌套误设模型选择与阶数一致性的关系。
- 阅读边界
- 材料为版本未注明的OpenAlex索引摘要；未提供子样本长度条件或有限样本结果，一致性不等于普遍最优预测表现。
原文摘要
In this paper the subsampling method of Carlstein (1986) is used to estimate the risk of prediction for time series data. We extend Carlstein's result by proving strong consistency of the subsampling estimator and we propose a procedure for selecting a time series model empirically from a set of possibly nonnested and misspecified models by using estimated risk of prediction as a selection criterion. When this procedure is applied to the selection of the order of an autoregressive model, it is shown to be a consistent order selector if an appropriate subsample size is chosen. We propose a practical model selection procedure with a common subsample size chosen by Hall & Jing's (1996) procedure.