Convolutional autoregressive models for functional time series
函数型时间序列的卷积自回归模型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。
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的自回归动态，并开发预测程序，支持时间序列与预测分类，但未指定宏观应用对象。
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…
函数型时间序列的卷积自回归模型
- 研究问题
- 如何为具有序列依赖的函数型数据建立可解释的动态模型，并估计过去函数通过卷积对当前函数产生的影响？
- 方法与思路
- 作者以过去函数与卷积函数的卷积和构造自回归模型，用B样条逼近卷积函数开展筛估计，并开发验证和预测程序。
- 材料陈述的贡献
- 摘要称建立估计量的收敛率并研究理论性质，同时给出模型构建、验证与预测方法，通过模拟及真实数据进行展示。
- 阅读关注点
- 应核对卷积算子的定义和动态稳定性条件、B样条复杂度选择及收敛率，并检查模型验证与预测评估的实施方式。
- 阅读边界
- 仅据所给出版社摘要，无法确认收敛率的具体形式、误差与依赖条件，也不知真实数据对象或预测改善幅度。
原文摘要
Functional data analysis has became an increasingly popular class of problems in statistical research. However, functional data observed over time with serial dependence remains a less studied area. Motivated by Bosq (2000), who first introduced the functional autoregressive models, we propose a convolutional functional autoregressive model, where the function at time t is a result of the sum of convolutions of the past functions and a set of convolution functions, plus a noise process, mimicking the vector autoregressive process. It provides an intuitive and direct interpretation of the dynamics of a stochastic process. Instead of principal component analysis commonly used in functional data analysis, we adopt a sieve estimation procedure based on B-spline approximation of the convolution functions. We establish convergence rate of the proposed estimator, and investigate its theoretical properties. The model building, model validation, and prediction procedures are also developed. Both simulated and real data examples are presented.