Time Series Forecasting with Many Predictors
使用大量预测变量的时间序列预测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：摘要明确结合动态因子提取与大量预测变量开展时间序列样本外预测，并包含经济应用。
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
使用大量预测变量的时间序列预测
- 研究问题
- 时间序列预测中同时存在大量无关变量、未知稀疏程度和不同因子强度时，如何筛选变量并有效提取动态预测信息？
- 方法与思路
- 作者提出 GO-sdPCA，结合组正交贪婪算法与高维 AIC 选择变量，通过 peeling 扩充选择，再用监督动态主成分分析提取因子。
- 材料陈述的贡献
- 摘要称，该方法在模拟中适应未知稀疏程度与因子强度，并在经济和环境应用的一步样本外预测中相较若干基准表现良好。
- 阅读关注点
- 应核对 peeling 的具体机制、调参和信息准则设置、动态因子的恢复条件，以及样本外预测划分是否避免信息泄漏。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列明数据、基准方法、误差指标及具体结果，无法判断优势的普遍性。
原文摘要
We propose a novel approach for time series forecasting with many predictors, referred to as the GO-sdPCA, in this paper. The approach employs a variable selection method known as the group orthogonal greedy algorithm and the high-dimensional Akaike information criterion to mitigate the impact of irrelevant predictors. Moreover, a novel technique, called peeling, is used to boost the variable selection procedure so that many factor-relevant predictors can be included in prediction. Finally, the supervised dynamic principal component analysis (sdPCA) method is adopted to account for the dynamic information in factor recovery. In simulation studies, we found that the proposed method adapts well to unknown degrees of sparsity and factor strength, which results in good performance even when the number of relevant predictors is large compared to the sample size. Applying to economic and environmental studies, the proposed method consistently performs well compared to some commonly used benchmarks in one-step-ahead out-sample forecasts.