An autocovariance-based learning framework for high-dimensional functional time series
基于自协方差的高维函数型时间序列学习框架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：摘要明确处理具有序列依赖的高维函数型观测，并以自协方差进行降维和估计，直接对应时间序列方法。
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…
基于自协方差的高维函数型时间序列学习框架
- 研究问题
- 当函数型变量数量接近或超过观测期数，且观测由动态成分与白噪声组成时，如何利用时间依赖进行降维和稀疏估计？
- 方法与思路
- 作者利用自协方差过滤噪声，依次进行自协方差降维、分块正则化最小距离估计，再由块稀疏结果恢复函数型稀疏估计。
- 材料陈述的贡献
- 摘要称，论文分析估计量理论性质，在三类稀疏高维函数型时间序列模型中给出收敛分析，并报告模拟和实证中的比较优势。
- 阅读关注点
- 应核对动态成分与白噪声的相关限制、噪声过滤使用的滞后条件，以及降维误差、分块稀疏性和最终估计误差如何衔接。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法判断三类模型的具体条件及比较基准；所称优势不代表所有函数型序列，刊本变化也未提供。
原文摘要
Many scientific and economic applications involve the statistical learning of high-dimensional functional time series, where the number of functional variables is comparable to, or even greater than, the number of serially dependent functional observations. In this paper, we model observed functional time series, which are subject to errors in the sense that each functional datum arises as the sum of two uncorrelated components, one dynamic and one white noise. Motivated from the fact that the autocovariance function of observed functional time series automatically filters out the noise term, we propose a three-step framework by first performing autocovariance-based dimension reduction, then formulating a novel autocovariance-based block regularized minimum distance estimation to produce block sparse estimates, and based on which obtaining the final functional sparse estimates. We investigate theoretical properties of the proposed estimators, and illustrate the proposed estimation procedure with the corresponding convergence analysis via three sparse high-dimensional functional time series models. We demonstrate via both simulated and real datasets that our proposed estimators significantly outperform their competitors.