Sparse High-Dimensional Vector Autoregressive Bootstrap
稀疏高维向量自回归自助法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：摘要以稀疏向量自回归刻画时间依赖，目标是高维时间序列均值的自助推断。
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…
稀疏高维向量自回归自助法
- 研究问题
- 如何在高维时间序列均值推断中保留序列依赖，并在不同误差矩条件下证明相应自助法的一致性？
- 方法与思路
- 作者以稀疏估计的向量自回归模型捕捉时间依赖，构建高维乘子自助法，并推导线性过程最大均值的高斯近似。
- 材料陈述的贡献
- 摘要称分别在误差具有次高斯矩与有限阶绝对矩的条件下证明自助法一致性，并提供可能独立有用的高斯近似结果。
- 阅读关注点
- 应核对稀疏度、维度与样本量的增长关系、向量自回归估计误差控制，以及两组矩条件下推断范围的差异。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收；摘要未说明模型稳定性条件、调参办法，也未报告数值验证。
原文摘要
We introduce a high-dimensional multiplier bootstrap for time series data based on capturing dependence through a sparsely estimated vector autoregressive model. We prove its consistency for inference on high-dimensional means under two different moment assumptions on the errors, namely sub-gaussian moments and a finite number of absolute moments. In establishing these results, we derive a Gaussian approximation for the maximum mean of a linear process, which may be of independent interest.