Nonparametric Vector Quantile Autoregression
非参数向量分位数自回归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：摘要明确研究多变量时间序列的自回归分析和条件分布预测，最直接支持时间序列与预测方向。
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…
非参数向量分位数自回归
- 研究问题
- 如何把主要用于单变量序列的分位数自回归扩展到多变量序列，以描述给定历史信息后的未来联合分布？
- 方法与思路
- 作者基于测度运输定义的多元分位数，构建非参数向量分位数自回归，用于线性和非线性多变量时间序列的分析与预测。
- 材料陈述的贡献
- 摘要提出多变量分位数自回归框架，旨在提供比均值点预测更丰富的分布信息，突破传统分位数自回归的单变量范围。
- 阅读关注点
- 应核对多元分位数的定义、条件化和估计方式，以及非参数模型的复杂度；检查全文是否给出一致性、预测评价与计算方案。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列明估计步骤、理论条件或实证结果，不能判断有限样本预测优势。
原文摘要
Prediction is a key issue in time series analysis. Just as classical mean regression models, classical autoregressive methods, yielding L$^2$ point-predictions, provide rather poor predictive summaries; a much more informative approach is based on quantile (auto)regression, where the whole distribution of future observations conditional on the past is consistently recovered. Since their introduction by Koenker and Xiao in 2006, autoregressive quantile autoregression methods have become a popular and successful alternative to the traditional L$^2$ ones. Due to the lack of a widely accepted concept of multivariate quantiles, however, quantile autoregression methods so far have been limited to univariate time series. Building upon recent measure-transportation-based concepts of multivariate quantiles, we develop here a nonparametric vector quantile autoregressive approach to the analysis and prediction of (nonlinear as well as linear) multivariate time series.