Multiscale Autoregression on Adaptively Detected Timescales
基于自适应检测时间尺度的多尺度自回归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：摘要明确研究多尺度自回归和多变量时间序列，并应用于英美失业率。
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…
基于自适应检测时间尺度的多尺度自回归
- 研究问题
- 当时间序列依赖跨越多个未知时间尺度时，如何从数据选择近期平均的尺度与数量，以获得灵活且可解释的高阶自回归模型？
- 方法与思路
- 作者以多个时间尺度上的近期均值作为线性回归特征，通过变点检测估计尺度数量和跨度，形成自适应多尺度自回归及其多变量扩展。
- 材料陈述的贡献
- 摘要称该构造实现高阶自回归的自适应正则化，理论允许最长尺度随样本量增长；模拟及英美失业率示例展示用途，并提供R实现。
- 阅读关注点
- 应核对变点检测如何对应时间尺度、尺度恢复与估计理论的条件，以及多变量扩展的设定、失业率示例的评价方法和计算复杂度。
- 阅读边界
- 这是arXiv预印本，不能据此认定已同行评审或期刊接收。摘要未说明理论条件、误差界或比较数值，示例表现不能推出普遍优势。
原文摘要
We propose a multiscale approach to time series autoregression, in which linear regressors for the process in question include features of its own path that live on multiple timescales. We take these multiscale features to be the recent averages of the process over multiple timescales, whose number or spans are not known to the analyst and are estimated from the data via a change-point detection technique. The resulting construction, termed Adaptive Multiscale AutoRegression (AMAR) enables adaptive regularisation of linear autoregression of large orders. The AMAR model is designed to offer simplicity and interpretability on the one hand, and modelling flexibility on the other. Our theory permits the longest timescale to increase with the sample size. A simulation study is presented to show the usefulness of our approach. Some possible extensions are also discussed, including the Adaptive Multiscale Vector AutoRegressive model (AMVAR) for multivariate time series, which demonstrates promising performance in the data example on UK and US unemployment rates. The R package amar provides an efficient implementation of the AMAR framework.