Modeling Functional Time Series and Mixed-Type Predictors With Partially Functional Autoregressions
以部分函数型自回归建模函数时间序列与混合类型预测变量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：摘要直接研究函数型自回归的序列依赖，并评价天然气流量曲线预测。
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…
以部分函数型自回归建模函数时间序列与混合类型预测变量
- 研究问题
- 当经济对象以连续曲线记录，且同时受到滞后曲线和高维混合类型变量影响时，如何估计动态依赖并选择有效预测变量？
- 方法与思路
- 作者提出部分函数型自回归，以二维曲面上的系数算子描述曲线依赖，用两层正则化估计变量个体与组效应并选择调参值。
- 材料陈述的贡献
- 摘要称，估计具有一致性与稀疏性，提出前瞻准则选择筛与调参值，德国天然气流量曲线应用报告预测精度和动态解释改善。
- 阅读关注点
- 应核对函数算子的逼近、两层惩罚的分工及一致性条件，并检查前瞻调参的样本划分、比较模型和预测评价方式。
- 阅读边界
- 仅据 OpenAlex 所载摘要，无法确认预测提升幅度和评价细节，也不能将天然气案例的表现推广至其他函数序列或推断刊本变化。
原文摘要
In many business and economics studies, researchers have sought to measure the dynamic dependence of curves with high-dimensional mixed-type predictors. We propose a partially functional autoregressive model (pFAR) where the serial dependence of curves is controlled by coefficient operators that are defined on a two-dimensional surface, and the individual and group effects of mixed-type predictors are estimated with a two-layer regularization. We develop an efficient estimation with the proven asymptotic properties of consistency and sparsity. We show how to choose the sieve and tuning parameters in regularization based on a forward-looking criterion. In addition to the asymptotic properties, numerical validation suggests that the dependence structure is accurately detected. The implementation of the pFAR within a real-world analysis of dependence in German daily natural gas flow curves, with seven lagged curves and 85 scalar predictors, produces superior forecast accuracy and an insightful understanding of the dynamics of natural gas supply and demand for the municipal, industry, and border nodes, respectively.