Semiparametric Non-Linear Time Series Model Selection
半参数非线性时间序列的模型选择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：摘要明确研究半参数非线性时间序列，并以变量选择提高预测精度为目标。
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
半参数非线性时间序列的模型选择
- 研究问题
- 半参数时间序列回归中，如何同时选择参数与非参数部分的重要解释变量，以减少不必要的复杂性并改善预测？
- 方法与思路
- 作者开发基于交叉验证的模型选择程序，同时选择参数和非参数时间序列成分，分析渐近性质并展示模拟与真实应用。
- 材料陈述的贡献
- 摘要称提出联合选择两类成分的新程序并建立部分渐近性质；模拟和真实数据研究被作者报告为具有良好表现。
- 阅读关注点
- 应核对时间依赖下的交叉验证构造、候选模型与平滑参数选择、渐近性质的具体内容，以及预测比较的基准和指标。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明渐近性质的类型、数据集或预测改进幅度，不能认定程序在所有模型下更优。
原文摘要
Summary Semiparametric time series regression is often used without checking its suitability, resulting in an unnecessarily complicated model. In practice, one may encounter computational difficulties caused by the curse of dimensionality. The paper suggests that to provide more precise predictions we need to choose the most significant regressors for both the parametric and the nonparametric time series components. We develop a novel cross-validation-based model selection procedure for the simultaneous choice of both the parametric and the nonparametric time series components, and we establish some asymptotic properties of the model selection procedure proposed. In addition, we demonstrate how to implement it by using both simulated and real examples. Our empirical studies show that the procedure works well.