LASSO estimation of threshold autoregressive models
门限自回归模型的 LASSO 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：摘要明确研究多区制门限自回归，并应用于季度国民生产总值序列，直接支持时间序列方向。
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…
门限自回归模型的 LASSO 估计
- 研究问题
- 在多区制门限自回归模型中，门限数量和位置均未知时，如何有效估计模型并建立相应的大样本性质？
- 方法与思路
- 作者把门限估计重写为回归变量选择问题，提出 LASSO 估计程序，并用模拟和美国季度实际国民生产总值展示应用。
- 材料陈述的贡献
- 摘要称该程序能够一致估计门限数量与位置，并获得门限参数的近最优收敛速度，同时具有较高计算效率。
- 阅读关注点
- 应核对变量选择表示、惩罚参数选择、区制可区分条件、近最优速度的比较基准，以及模拟中的门限识别表现。
- 阅读边界
- 仅据所给出版社摘要，无法确定门限收敛速度的具体表达或有限样本误差；状态门限不宜直接解读为日历时间结构突变。
原文摘要
This paper develops a novel approach for estimating a threshold autoregressive (TAR) model with multiple-regimes and establishes its large sample properties. By reframing the problem in a regression variable selection context, a least absolute shrinkage and selection operator (LASSO) procedure is proposed to estimate a TAR model with an unknown number of thresholds, where the computation can be performed efficiently. It is further shown that the number and the location of the thresholds can be consistently estimated. A near optimal convergence rate of the threshold parameters is also established. Simulation studies are conducted to assess the performance in finite samples. The results are illustrated with an application to the quarterly US real GNP data over the period 1947–2009.