Minimax Estimation of Partially-Observed Vector AutoRegressions
部分可观测向量自回归的极小极大估计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。
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：摘要直接研究高维向量自回归、时间相关抽样及转移矩阵估计，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…
关注这篇论文的作者
部分可观测向量自回归的极小极大估计
- 研究问题
- 高维向量自回归的状态分量仅被稀疏、带噪声地观测，且抽样存在时间相关性时，稀疏转移矩阵的估计难度如何变化？
- 方法与思路
- 作者将随机观测机制纳入状态空间模型，以 Yule-Walker 方程和 Dantzig selector 构造估计量，并推导非渐近误差界。
- 材料陈述的贡献
- 摘要称论文给出相匹配的极小极大下界以支持近最优性，并揭示抽样比例、噪声及非零系数数量对收敛率的作用。
- 阅读关注点
- 应核对状态过程与抽样过程的条件、噪声设定、上下界使用的参数空间和损失，以及近最优性是否包含额外因子。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未提供精确收敛率或观测机制限制，无法判断任意缺失过程是否适用。
原文摘要
High-dimensional time series are a core ingredient of the statistical modeling toolkit, for which numerous estimation methods are known.But when observations are scarce or corrupted, the learning task becomes much harder.The question is: how much harder? In this paper, we study the properties of a partially-observed Vector AutoRegressive process, which is a state-space model endowed with a stochastic observation mechanism.Our goal is to estimate its sparse transition matrix, but we only have access to a small and noisy subsample of the state components.Interestingly, the sampling process itself is random and can exhibit temporal correlations, a feature shared by many realistic data acquisition scenarios.We start by describing an estimator based on the Yule-Walker equation and the Dantzig selector, and we give an upper bound on its non-asymptotic error.Then, we provide a matching minimax lower bound, thus proving near-optimality of our estimator.The convergence rate we obtain sheds light on the role of several key parameters such as the sampling ratio, the amount of noise and the number of non-zero coefficients in the transition matrix.These theoretical findings are commented and illustrated by numerical experiments on simulated data.