Boosted p-Values for High-Dimensional Vector Autoregression
高维向量自回归中的提升法 p 值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：摘要明确涉及高维 VAR、宏观时间序列及预测表现，分别对应这三个方向；VAR 分类并不意味着已识别结构冲击。
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
高维向量自回归中的提升法 p 值
- 研究问题
- 在高维向量自回归的逐步提升估计中，如何为每一步选中的参数计算适应迭代过程的 p 值，并控制虚假显著结果？
- 方法与思路
- 作者基于最小二乘提升法，在每个迭代步骤计算被选参数的 p 值，研究其渐近有效性，并用模拟和宏观序列应用评价。
- 材料陈述的贡献
- 摘要称模拟中可控制假阳性率，百余条宏观序列应用获得较稀疏且预测良好的模型，并辅助稳定性控制及提供 R 包。
- 阅读关注点
- 应核对参数选择与迭代的推断处理、单步与多步错误控制的区别、VAR 稳定性定义，以及预测性能的样本外评价。
- 阅读边界
- 所给来源为 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列渐近条件，也未说明是否控制所有步骤的总体错误率。
原文摘要
Assessing the statistical significance of parameter estimates is an important step in high-dimensional vector autoregression modeling. Using the least-squares boosting method, we compute the p-value for each selected parameter at every boosting step in a linear model. The p-values are asymptotically valid and also adapt to the iterative nature of the boosting procedure. Our simulation experiment shows that the p-values can keep false positive rate under control in high-dimensional vector autoregressions. In an application with more than 100 macroeconomic time series, we further show that the p-values can not only select a sparser model with good prediction performance but also help control model stability. A companion R package boostvar is developed.