Lasso inference for high-dimensional time series
高维时间序列的Lasso推断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：摘要明确研究具有序列依赖和异方差的高维线性时间序列推断，对应时间序列方向。
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…
高维时间序列的Lasso推断
- 研究问题
- 当解释变量数量可能超过时间长度，且序列非高斯、存在自相关和异方差时，如何对高维线性时间序列参数进行有效推断？
- 方法与思路
- 作者在近历依赖与弱稀疏框架下扩展去稀疏化Lasso，先建立误差界并处理逐节点回归，再推导渐近正态性及长期方差估计。
- 材料陈述的贡献
- 摘要称，建立了去稀疏化Lasso的统一渐近正态性，允许推断参数维度增长，并证明长期方差估计一致性，提供模拟评估。
- 阅读关注点
- 应核对近历依赖、弱稀疏与维度增长之间的限制，逐节点回归误设如何处理，以及长期方差估计和多参数推断的具体条件。
- 阅读边界
- 仅据所给OpenAlex版本摘要解读，不能推断后续刊本变化；摘要未给出依赖衰减、稀疏程度、调参规则或有限样本误差数值。
原文摘要
In this paper we develop valid inference for high-dimensional time series. We extend the desparsified lasso to a time series setting under Near-Epoch Dependence (NED) assumptions allowing for non-Gaussian, serially correlated and heteroskedastic processes, where the number of regressors can possibly grow faster than the time dimension. We first derive an error bound under weak sparsity, which, coupled with the NED assumption, means this inequality can also be applied to the (inherently misspecified) nodewise regressions performed in the desparsified lasso. This allows us to establish the uniform asymptotic normality of the desparsified lasso under general conditions, including for inference on parameters of increasing dimensions. Additionally, we show consistency of a long-run variance estimator, thus providing a complete set of tools for performing inference in high-dimensional linear time series models. Finally, we perform a simulation exercise to demonstrate the small sample properties of the desparsified lasso in common time series settings.