Oracle inequalities for high dimensional vector autoregressions
高维向量自回归的 oracle 不等式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：摘要明确研究平稳高维 VAR 的估计和预测理论，对应时间序列及包含 VAR 的领域细分。
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
高维向量自回归的 oracle 不等式
- 研究问题
- 研究平稳向量自回归中，参数数量远大于样本量时，LASSO 的预测误差、估计准确性和相关变量保留能获得何种保证。
- 方法与思路
- 作者为平稳 VAR 中的 LASSO 建立非渐近 oracle 不等式，并利用这些界限分析高维一致性及不遗漏相关变量的条件。
- 材料陈述的贡献
- 摘要称所得界限可以证明参数数量远超样本量时的 LASSO 一致性，并给出不排除任何相关变量所需的条件。
- 阅读关注点
- 应核对平稳性、稀疏性及设计矩阵条件，误差界限如何依赖维度与样本量，以及不遗漏变量是否还允许误选变量。
- 阅读边界
- 摘要未列出界限常数、惩罚参数或完整条件；不遗漏相关变量并不等于精确恢复变量集合，也未提供冲击识别结果。
原文摘要
This paper establishes non-asymptotic oracle inequalities for the prediction error and estimation accuracy of the LASSO in stationary vector autoregressive models. These inequalities are used to establish consistency of the LASSO even when the number of parameters is of a much larger order of magnitude than the sample size. We also state conditions under which no relevant variables are excluded.