Variable selection for high-dimensional regression models with time series and heteroscedastic errors
具有时间序列与异方差误差的高维回归变量选择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：摘要明确处理短记忆、长记忆和条件异方差等时间序列误差结构。
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…
具有时间序列与异方差误差的高维回归变量选择
- 研究问题
- 在高维回归误差同时存在时间依赖与外生异方差时，如何一致选择均值回归和离散程度函数中的相关变量？
- 方法与思路
- 作者将误差分解为时间序列成分与高维离散程度函数的乘积，允许短记忆、长记忆或条件异方差，并结合正交贪婪算法与高维信息准则。
- 材料陈述的贡献
- 摘要称所提程序可一致选出回归函数和离散程度函数中的相关变量，并通过模拟与真实数据分析展示有限样本表现。
- 阅读关注点
- 应核对乘积误差设定的限制、各类时间依赖下的选择一致性条件、离散程度函数的估计方式，以及信息准则和算法的调节选择。
- 阅读边界
- 所给出版社摘要未交代维度增长、信号强度与依赖条件，也未报告具体应用和比较结果，不能据此确认所有误差结构下均有效。
原文摘要
Although existing literature on high-dimensional regression models is rich, the vast majority of studies have focused on independent and homogeneous error terms. In this article, we consider the problem of selecting high-dimensional regression models with heteroscedastic and time series errors, which have broad applications in economics, quantitative finance, environmental science, and many other fields. The error term in our model is the product of two components: one time series component, allowing for a short-memory, long-memory, or conditional heteroscedasticity effect, and a high-dimensional dispersion function accounting for exogenous heteroscedasticity. By making use of the orthogonal greedy algorithm and the high-dimensional information criterion, we propose a new model selection procedure that consistently chooses the relevant variables in both the regression and the dispersion functions. The finite sample performance of the proposed procedure is also illustrated via simulations and real data analysis.