Shrinkage estimators for periodic autoregressions
周期自回归模型的收缩估计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：摘要以季节参数变化的周期自回归模型为对象，并明确讨论收缩估计对时间序列预测的影响。
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
周期自回归模型的收缩估计
- 研究问题
- 当季节数量增多使周期自回归模型参数急剧增加时，如何缓解估计不稳定，并改善周度或日度数据中的预测表现？
- 方法与思路
- 作者将各季节的自回归参数向一个由数据决定的共同值收缩，分析二次惩罚下的渐近性质及估计中的偏差方差权衡。
- 材料陈述的贡献
- 摘要称提出收缩估计量并推导其渐近性质，经验示例显示该方法改善周期自回归预测，但未提供改善幅度。
- 阅读关注点
- 应核对共同收缩目标和惩罚强度如何确定，季节数量与样本长度如何进入理论，以及预测比较是否使用一致的样本划分。
- 阅读边界
- 仅据所给 OpenAlex 摘要；平稳性条件、惩罚参数选择及预测结果未说明，示例中的改善不能外推为普遍优势或其他版本结论。
原文摘要
A periodic autoregression [PAR] is a seasonal time series model where the autoregressive parameters vary over the seasons. A drawback of PAR models is that the number of parameters increases dramatically when the number of seasons gets large. Hence, one needs many periods with intra-seasonal data to be able to get reliable parameter estimates. Therefore, these models are rarely applied for weekly or daily observations. In this paper we propose shrinkage estimators which shrink the periodic autoregressive parameters to a common value determined by the data. We derive the asymptotic properties of these estimators in case of a quadratic penalty and we illustrate the bias–variance trade-off. Empirical illustrations show that shrinkage improves forecasting with PAR models.