A Dirichlet-Quantile Bootstrap approach for the probabilistic resampling of time series
时间序列概率重抽样的狄利克雷分位数自助法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：摘要直接研究时间序列重抽样，并在贝叶斯 ARMA 框架下评估点预测与预测区间。
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
时间序列概率重抽样的狄利克雷分位数自助法
- 研究问题
- 如何生成同时保留原序列变异程度、分位数、极端值及部分时间依赖的伪序列，并改善时间序列预测表现？
- 方法与思路
- 作者提出 DPQBootstrap，将狄利克雷分位数自助法与基于秩的时间结构重建结合，通过模拟和贝叶斯 ARMA 预测应用评估。
- 材料陈述的贡献
- 摘要称，该方法在八类模拟情景的区间评分比较中取得较多胜出，并在适当设定的 ARMA 模型中改善点预测及预测区间。
- 阅读关注点
- 应核对时间结构重建具体保留何种依赖、区间评分胜出的统计口径，以及预测改善对 ARMA 设定和模拟情景的敏感性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明模拟参数与差异的不确定性，不能推断其普遍优于其他重抽样法。
原文摘要
This work presents DPQBootstrap, a probabilistic resampling method for time series based on a Dirichlet quantile bootstrap and rank-based temporal reconstruction. The method aims to generate pseudo-series that preserve the main characteristics of the original series, including variability, quantiles, extreme values, and part of its temporal dependence. A simulation study compares DPQBootstrap with the Maximum Entropy Bootstrap implemented in the meboot package across eight simulation scenarios. The results show that DPQBootstrap achieves 106 wins over 86 for meboot according to the Interval Score, indicating a strong ability to preserve the statistical properties of the original time series. In addition, an empirical application was conducted within a Bayesian ARMA forecasting framework, with and without DPQBootstrap integration. The results indicate that incorporating DPQBootstrap can improve point forecast accuracy and the quality of predictive intervals, particularly when combined with appropriately specified ARMA models.