Latent Gaussian dynamic factor modeling and forecasting for multivariate count time series
多元计数时间序列的潜在高斯动态因子建模与预测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：摘要直接研究多元计数时间序列、动态因子估计及序贯预测。
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…
多元计数时间序列的潜在高斯动态因子建模与预测
- 研究问题
- 对于可能高维的多元计数时间序列，如何通过潜在高斯动态因子结构估计参数、选择模型，并开展后续预测？
- 方法与思路
- 作者利用计数序列与潜在高斯序列的二阶性质估计协方差并应用 PCA，再结合粒子序贯蒙特卡洛与 Kalman 滤波预测。
- 材料陈述的贡献
- 摘要称，本文建立估计一致性和相关集中性结果，分析随维度增长的谱隙界，并提出新的交叉验证方案及模拟和应用。
- 阅读关注点
- 应核对计数变换与潜在协方差的对应关系、谱隙和维度条件，以及交叉验证是否适应时间依赖及预测误差如何评价。
- 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。摘要未说明计数分布、完整一致性条件或实际预测表现。
原文摘要
This work considers estimation and forecasting in a multivariate, possibly high-dimensional count time series model constructed from a transformation of a latent Gaussian dynamic factor series. The estimation of the latent model parameters is based on second-order properties of the count and underlying Gaussian time series, yielding estimators of the underlying covariance matrices for which standard principal component analysis applies. Theoretical consistency results are established for the proposed estimation, building on certain concentration results for the models of the type considered. They also involve the memory of the latent Gaussian process, quantified through a spectral gap, shown to be suitably bounded as the model dimension increases, which is of independent interest. In addition, novel cross-validation schemes are suggested for model selection. The forecasting is carried out through a particle-based sequential Monte Carlo, leveraging Kalman filtering techniques. A simulation study and an application are also considered.