Sparse Tree-Based Aggregation for Time Series Regressions
时间序列回归的稀疏树状聚合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：摘要明确研究高阶自回归、混频回归与时间滞后聚合，直接属于时间序列方法。
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…
时间序列回归的稀疏树状聚合
- 研究问题
- 高维高阶自回归和混频回归能否通过自适应时间聚合降低维度，同时保留不同滞后频率的结构，而不只依赖系数稀疏化？
- 方法与思路
- 作者提出 StarTime，用时间树将滞后项从高频到低频分层排列，再以凸惩罚选择不同频率的系数聚合、稀疏结构或二者组合。
- 材料陈述的贡献
- 摘要称提供新的误差界，模拟中相较基准改善估计准确性及聚合和稀疏结构恢复，并展示金融与宏观经济应用。
- 阅读关注点
- 应核对时间树构建与惩罚形式、误差界所需依赖条件，以及聚合恢复的评价标准、调参方式和应用中的比较基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未说明误差界条件和具体应用任务，不能将模拟改善推广为普遍预测优势。
原文摘要
High-dimensional time series regressions are often regularized to produce sparse coefficients. We show that temporal aggregation provides a powerful alternative to reduce dimensionality in high-order autoregressions and mixed-frequency regressions. To this end, we propose StarTime (Sparse Tree-based Aggregation for Time Series), a convex penalization method that uses a temporal tree to arrange lags hierarchically from high to low frequency. StarTime then flexibly selects coefficients to be aggregated at possibly varying frequencies, sparse or a combination thereof. We provide new error bounds for StarTime, demonstrate improved estimation accuracy and recovery of aggregation and sparsity in simulations relative to benchmarks, and illustrate StarTime's relevance for financial and macroeconomic applications.