Interpretable additive model for analyzing high-dimensional functional time series
分析高维函数型时间序列的可解释加性模型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：摘要明确研究函数型时间序列及预测方法，应用属于人口死亡率而非明确的宏观经济数据。
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
分析高维函数型时间序列的可解释加性模型
- 研究问题
- 如何同时刻画高维函数型时间序列的时间动态与维度间依赖，在预测准确性之外提供可解释的跨维度关系？
- 方法与思路
- 作者以双变量系数曲面表示维度间关系，结合惩罚平滑和分组桥回归引入稀疏性，同时估计曲面与筛选维度间效应。
- 材料陈述的贡献
- 摘要称蒙特卡洛模拟及日本地方年龄别死亡率应用显示，相对既有函数型时间序列方法，新模型具有更好的预测表现与解释性。
- 阅读关注点
- 应核对函数观测与加性结构定义、曲面平滑和稀疏惩罚选择，以及预测比较的时间划分、基准模型和解释性评价依据。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明理论条件和改善数值，死亡率应用的优势不能直接推广到宏观预测。
原文摘要
High-dimensional functional time series offers a powerful framework for extending functional time series analysis to settings with multiple simultaneous dimensions, capturing both temporal dynamics and cross-sectional dependencies. We propose a novel, interpretable additive model tailored for such data, designed to deliver both high predictive accuracy and clear interpretability. The model features bivariate coefficient surfaces to represent relationships across panel dimensions, with sparsity introduced via penalized smoothing and group bridge regression. This enables simultaneous estimation of the surfaces and identification of significant inter-dimensional effects. Through Monte Carlo simulations and an empirical application to Japanese subnational age-specific mortality rates, we demonstrate the proposed model's superior forecasting performance and interpretability compared to existing functional time series approaches.