High-Dimensional Knockoffs Inference for Time Series Data
时间序列数据的高维 Knockoffs 推断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：摘要直接处理时间序列依赖下的高维推断，并包含经济通胀应用。
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…
时间序列数据的高维 Knockoffs 推断
- 研究问题
- 在具有序列依赖且协变量分布未知的高维时间序列中，如何实施 model-X knockoffs 推断并控制错误发现率？
- 方法与思路
- 作者结合子抽样与 e 值构造 TSKI，将稳健 knockoffs 推断扩展到时间序列，并分析依赖及分布未知造成的影响。
- 材料陈述的贡献
- 摘要称给出了渐近错误发现率控制的充分条件，分析了特定 Lasso 统计量的功效，并以模拟和经济通胀研究展示。
- 阅读关注点
- 应核对序列依赖和协变量分布估计的条件、子抽样与 e 值的组合方式，以及渐近控制和有限样本表现的区别。
- 阅读边界
- 依据 arXiv 2112.09851v3 预印本摘要，不能据此声称已同行评审或期刊接收；摘要未列出充分条件，亦不代表刊本内容。
原文摘要
We make some initial attempt to establish the theoretical and methodological foundation for the model-X knockoffs inference for time series data. We suggest the method of time series knockoffs inference (TSKI) by exploiting the ideas of subsampling and e-values to address the difficulty caused by the serial dependence. We also generalize the robust knockoffs inference in Barber, Candès, and Samworth to the time series setting to relax the assumption of known covariate distribution required by model-X knockoffs, since such an assumption is overly stringent for time series data. We establish sufficient conditions under which TSKI achieves the asymptotic false discovery rate (FDR) control. Our technical analysis reveals the effects of serial dependence and unknown covariate distribution on the FDR control. We conduct a power analysis of TSKI using the Lasso coefficient difference knockoff statistic under the generalized linear time series models. The finite-sample performance of TSKI is illustrated with several simulation examples and an economic inflation study.