Model selection confidence sets for time series models with applications to electricity load data
时间序列模型的模型选择置信集及电力负荷应用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：摘要明确涉及 ARMA 时间序列的模型选择及小时电力负荷短期预测。
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…
时间序列模型的模型选择置信集及电力负荷应用
- 研究问题
- 含自回归与移动平均项的单变量时间序列中，如何呈现模型选择的不确定性，并识别对短期电力负荷预测有用的模型项？
- 方法与思路
- 作者构建模型选择置信集，统计模型项在全集及最简边界模型中的出现频率，并应用于意大利小时电力负荷数据。
- 材料陈述的贡献
- 摘要称该方法揭示明显的日内模型选择不确定性差异，并识别具有竞争力的短期预测模型及滞后、气温等关键变量。
- 阅读关注点
- 核对候选模型集合、检验与置信水平的含义、边界模型定义，以及预测比较是否采用样本外评估并处理季节性和外生变量。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实。摘要未说明覆盖条件和预测误差数值，统计上难以区分不意味着候选模型等价。
原文摘要
This paper studies the Model Selection Confidence Set (MSCS) methodology for univariate time series models involving autoregressive and moving average components, and applies it to study model selection uncertainty in the Italian electricity load data. Rather than relying on a single model selected by an arbitrary criterion, the MSCS identifies a set of models that are statistically indistinguishable from the true data-generating process at a given confidence level. The size and composition of this set reveal crucial information about model selection uncertainty: noisy data scenarios produce larger sets with many candidate models, while more informative cases narrow the set considerably. To study the importance of each model term, we consider numerical statistics measuring the frequency with which each term is included in both the entire MSCS and in Lower Boundary Models (LBM), its most parsimonious specifications. Applied to Italian hourly electricity load data, the MSCS methodology reveals marked intraday variation in model selection uncertainty and isolates a collection of model specifications that deliver competitive short-term forecasts while highlighting key drivers of electricity load like intraday hourly lags, temperature, calendar effects and solar energy generation.