Sparse Identification and Estimation of Large-Scale Vector AutoRegressive Moving Averages
大规模向量自回归移动平均模型的稀疏识别与估计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：摘要直接研究多元时间序列中的 VARMA、无限阶 VAR 及其识别估计，未涉及结构冲击识别。
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…
大规模向量自回归移动平均模型的稀疏识别与估计
- 研究问题
- VARMA 存在等价参数化和识别困难时，如何在大规模多元时间序列中选择简约表示，并兼顾高效估计和误差控制？
- 方法与思路
- 作者以用户指定的强凸惩罚衡量简约性，通过凸优化在等价模型中选择参数化，并使用同一惩罚定义可高效计算的估计量。
- 材料陈述的贡献
- 摘要称建立双重渐近下的一致性及同时涵盖模型设定与参数估计的非渐近误差界，并提供无限阶 VAR 和奇异设计回归结果。
- 阅读关注点
- 应核对等价模型集合与惩罚选择、识别目标和稀疏性的关系，以及双重渐近的增长方式、两阶段误差传播和实际计算方案。
- 阅读边界
- 仅依据 OpenAlex 索引摘要，稿件版本未注明；选定参数化不自动具有经济结构解释，具体误差界与实证优势范围未知，亦不能推断刊本变化。
原文摘要
The Vector AutoRegressive Moving Average (VARMA) model is fundamental to the theory of multivariate time series; however, identifiability issues have led practitioners to abandon it in favor of the simpler but more restrictive Vector AutoRegressive (VAR) model. We narrow this gap with a new optimization-based approach to VARMA identification built upon the principle of parsimony. Among all equivalent data-generating models, we use convex optimization to seek the parameterization that is simplest in a certain sense. A user-specified strongly convex penalty is used to measure model simplicity, and that same penalty is then used to define an estimator that can be efficiently computed. We establish consistency of our estimators in a double-asymptotic regime. Our non-asymptotic error bound analysis accommodates both model specification and parameter estimation steps, a feature that is crucial for studying large-scale VARMA algorithms. Our analysis also provides new results on penalized estimation of infinite-order VAR, and elastic net regression under a singular covariance structure of regressors, which may be of independent interest. We illustrate the advantage of our method over VAR alternatives on three real data examples.