Structural breaks detection and variable selection in dynamic linear regression via the Iterative Fused LASSO in high dimension
高维动态线性回归中基于迭代融合 Lasso 的结构突变检测与变量选择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：摘要直接针对高维时间序列动态回归中的参数突变和断点检测，股票应用未提供额外金融细分的充分依据。
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
高维动态线性回归中基于迭代融合 Lasso 的结构突变检测与变量选择
- 研究问题
- 在候选变量众多且回归参数可能随时间突变的环境中，如何同时完成变量选择与变点检测，并降低实际计算负担？
- 方法与思路
- 作者构造带正则化约束的最小二乘问题，结合融合 Lasso 与自适应 Lasso 思路，提出迭代求解算法并开展基准比较。
- 材料陈述的贡献
- 摘要称算法能在实际时间限制内处理高维问题，通过模拟、与广义 Lasso 路径算法比较及股票组合数据展示适用性。
- 阅读关注点
- 应核对迭代算法的目标函数与收敛保证，以及调参、断点定位、变量恢复和运行时间比较是否使用一致标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明统计一致性条件、复杂度或具体耗时，不能确认全面优于基准。
原文摘要
We aim to develop a time series modeling methodology tailored to high-dimensional environments, addressing two critical challenges: variable selection from a large pool of candidates, and the detection of structural break points, where the model's parameters shift. This effort centers on formulating a least squares estimation problem with regularization constraints, drawing on techniques such as Fused LASSO and AdaLASSO, which are well-established in machine learning. Our primary achievement is the creation of an efficient algorithm capable of handling high-dimensional cases within practical time limits. By addressing these pivotal challenges, our methodology holds the potential for widespread adoption. To validate its effectiveness, we detail the iterative algorithm and benchmark its performance against the widely recognized Path Algorithm for Generalized Lasso. Comprehensive simulations and performance analyses highlight the algorithm's strengths. Additionally, we demonstrate the methodology's applicability and robustness through simulated case studies and a real-world example involving a stock portfolio dataset. These examples underscore the methodology's practical utility and potential impact across diverse high-dimensional settings.