A Bernstein-type Inequality for High Dimensional Linear Processes with Applications to Robust Estimation of Time Series Regressions
高维线性过程的 Bernstein 型不等式及稳健时间序列回归应用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：摘要直接研究序列相关、厚尾时间序列回归与向量自回归的稳健估计。
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
高维线性过程的 Bernstein 型不等式及稳健时间序列回归应用
- 研究问题
- 面对超高维、序列相关和厚尾数据，如何构造适用的概率界，并保证时间序列回归与向量自回归的稳健估计一致性？
- 方法与思路
- 作者提出高维线性过程的 Bernstein 型不等式，将其用于厚尾且相关的协变量与误差下的回归，以及厚尾向量自回归。
- 材料陈述的贡献
- 摘要称在一定矩条件和依赖条件下，维数可随样本量呈指数增长，同时保持所研究稳健估计问题中的一致性。
- 阅读关注点
- 应核对矩条件、依赖衰减要求、不等式中的维数项，以及两类稳健估计的构造、调参方式和一致性范围。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未说明矩阶数、依赖强度及具体收敛速率，不能将一致性结论视为推断有效性。
原文摘要
Time series regression models are commonly used in time series analysis. However, in modern real-world applications, serially correlated data with an ultra-high dimension and fat tails are prevalent. This presents a challenge in developing new statistical tools for time series analysis. In this paper, we propose a novel Bernstein-type inequality for high-dimensional linear processes and apply it to investigate two high-dimensional robust estimation problems: (1) time series regression with fat-tailed and correlated covariates and errors, and (2) fat-tailed vector autoregression. Our proposed approach allows for exponential increases in dimension with sample size under mild moment and dependence conditions, while ensuring consistency in the estimation process.