吕加默,大卫;菲利普·鲍曼(Philipp F.M.Baumann)。;托马斯·奈布;托尔斯滕·霍霍恩 利用自回归变换模型进行概率时间序列预测。 (英语) Zbl 1516.62028号 统计计算。 33,第2号,第37号论文,第11页(2023年). 摘要:时间序列的概率预测是许多应用和研究领域中的一个重要问题。为了从概率预测中得出结论,我们必须确保用于近似真实预测分布的模型类具有足够的表达能力。然而,模型本身的特征,例如其不确定性或特征-输出关系,也同样重要。本文提出了自回归变换模型(ATM),这是一个受各种研究方向启发的模型类,它使用半参数分布假设和可解释的模型规范来统一表达性分布预测。我们通过对几个模拟和实际预测数据集的经验评估,从理论上证明了ATM的特性。 MSC公司: 62-08 统计问题的计算方法 62M10个 统计学中的时间序列、自相关、回归等(GARCH) 62M20型 随机过程的推断与预测 关键词:半参数模型;条件密度估计;分布回归;规范化流 软件:PySDDR公司;亚当;预测;PMTK公司;预测;美国astsa;纳德 PDF格式BibTeX公司 XML格式引用 \textit{D.Rügamer}等人,《统计计算》。33,第2号,第37号论文,第11页(2023;Zbl 1516.62028) 全文: 内政部 arXiv公司 OA许可证 参考文献: [1] Athanasopoulos,G。;RJ Hyndman;Song,H.,《旅游预测竞赛》,《国际预测杂志》。,27, 3, 822-844 (2011) ·doi:10.1016/j.ijforecast.2010.04.009 [2] Baumann,PFM;Hothorn,T。;Rügamer,D.,《深层条件转换模型,数据库中的机器学习和知识发现》,3-18(2021),Cham:Research Track。施普林格国际出版公司,Cham [3] Bengio,Y.、Bengio、S.:使用多层神经网络建模高维离散数据。麻省理工学院出版社,NIPS’99,第400-406页(1999) [4] Bernstein,S.,《概率计算模型》,Commun。哈尔科夫数学。学会,13,1,1-2(1912) [5] Bishop,C.M.:混合物密度网络(1994) [6] 切尔诺朱科夫,V。;弗南德斯·瓦尔,I。;Melly,B.,《反事实分布推断》,《计量经济学》,第81、6、2205-2268页(2013年)·Zbl 1326.62223号 ·doi:10.3982/ECTA10582 [7] Cox,DR,回归模型和生命表,J.Roy。统计社会服务。B方法。,34187-202(1972年) [8] Dinh,L.,Sohl-Dickstein,J.,Bengio,S.:使用实际nvp进行密度估计。参加:2017年4月24日至26日在法国土伦举行的2017年ICLR第五届国际学习代表大会,会议记录(2017) [9] Dunson,DB,非参数贝叶斯在生物统计学中的应用,贝叶斯非参数,28223-273(2010)·doi:10.1017/CBO9780511802478.008 [10] Farouki,RT,伯恩斯坦多项式基础:百年回顾,计算。辅助Geom。设计。,29, 6, 379-419 (2012) ·Zbl 1252.65039号 ·doi:10.1016/j.cagd.2012.03.001 [11] 福雷西,S。;Peracchi,F.,《超额收益的条件分布:实证分析》,美国统计协会,90,430,451-466(1995)·网址:10.1080/01621459.1995.10476537 [12] Gneiting,T。;Katzfuss,M.,《概率预测》,年。修订状态申请。,1, 125-151 (2014) ·doi:10.1146/annurev-statistics-062713-085831 [13] Gneiting,T。;Balabdaoui,F。;Raftery,AE,《概率预测、校准和清晰度》,J.Royal Stat.Soc.Ser。《美国统计年鉴》。,69, 2, 243-268 (2007) ·Zbl 1120.62074号 ·文件编号:10.1111/j.1467-9868.2007.00587.x [14] 格兰杰,CW;Andersen,A.,《关于时间序列模型的可逆性》,Stoch。过程。应用。,8, 1, 87-92 (1978) ·Zbl 0387.62076号 ·doi:10.1016/0304-4149(78)90069-8 [15] Hamilton JD(2010)体制转换模型。在:宏观计量经济学和时间序列分析。施普林格,202-209页 [16] Hothorn,T.,Transformation boosting machines,Stat.Compute.公司。,30, 1, 141-152 (2020) ·Zbl 1436.62140号 ·doi:10.1007/s11222-019-09870-4 [17] Hothorn,T。;Kneib,T。;Bühlmann,P.,条件转换模型,J.Royal Stat.Soc.Ser。《美国统计年鉴》。,76, 1, 3-27 (2014) ·兹比尔1411.62100 ·doi:10.1111/rssb.12017 [18] Hothorn,T。;莫斯特,L。;Bühlmann,P.,《最有可能的变换》,Scand。J.Stat.,45,1,110-134(2018)·Zbl 1421.62141号 ·doi:10.1111/sjos.12291 [19] Hyndman,R。;Athanasopoulos,G。;Bergmeir,C.,《预测:时间序列和线性模型的预测函数》,R.Package Vers。,8, 15 (2021) [20] Jordan,A.,《区分性分类器与生成性分类器:逻辑回归与朴素贝叶斯的比较》,Adv.Neural。信息处理。系统。,2002年4月14日,841(2002) [21] Kastner,G。;Frühwirth-Schnatter,S。;Lopes,HF,多元因子随机波动率模型的有效贝叶斯推断,J.Compute。图表。Stat.,26,4,905-917(2017)·doi:10.1080/10618600.2017.1322091 [22] Kingma,D.P.,Ba,J.:亚当:一种随机优化方法。arXiv预印arXiv:1412.6980(2014) [23] 金马,DP;Salimans,T。;Jozefowicz,R。;Lee,D。;杉山,M。;Luxburg,U.,《反向自回归流的改进变分推断》,《神经信息处理系统进展》(2016),Curran Associates Inc [24] 克莱因,N。;Hothorn,T。;Barbanti,L.,多元条件转换模型,Scand。J.Stat.,49,1,116-142(2022)·Zbl 07638424号 ·doi:10.1111/sjos.12501 [25] Koenker,R.,《分位数回归》(2005),剑桥大学出版社:社会专著,剑桥大学出版·Zbl 1111.62037号 ·doi:10.1017/CBO9780511754098 [26] Kook,L。;赫尔佐格,L。;Hothorn,T.,有序结果的深度和可解释回归模型,模式识别。,122 (2021) ·doi:10.1016/j.patcog.2021.108263 [27] Kook,L.,Götschi,A.,Baumann,P.F.等人:深度可解释的合奏。arxiv:2205.1729(2022) [28] Lai,G.,Chang,W.C.,Yang,Y.等:用深层神经网络建模长期和短期时间模式。In:第41届国际ACM SIGIR信息检索研究与开发会议,pp 95-104(2018) [29] Lin,T。;霍恩,BG;Tino,P.,学习narx递归神经网络中的长期依赖性,IEEE Trans。神经网络。,7, 6, 1329-1338 (1996) ·doi:10.1109/72.548162 [30] Ling,S。;McAleer,M.,时间序列模型的一般渐近理论,Stat.Neerl。,64, 1, 97-111 (2010) ·文件编号:10.1111/j.1467-9574.2009.00447.x [31] 刘杰。;佩斯利,J。;马萨诸塞州Kioumourtzoglou;瓦拉赫,H。;拉罗谢尔,H。;Beygelzimer,A.,《集成学习中的准确不确定性估计和分解》,《神经信息处理系统进展》(2019年),Curran Associates Inc [32] Makridakis,S。;蜘蛛炎,E。;Assimakopoulos,V.,《m4竞赛:结果、发现、结论和前进方向》,《国际期刊预测》。,34, 4, 802-808 (2018) ·doi:10.1016/j.ij预测2018.06.001 [33] Murphy,K.P.:机器学习:概率观点。麻省理工学院出版社(2012)·Zbl 1295.68003号 [34] Nagler,T。;Krüger,D。;Min,A.,多元时间序列的静态藤系模型,J.Econ。,227, 2, 305-324 (2022) ·Zbl 07491162号 ·doi:10.1016/j.jeconom.2021.11.015 [35] Papamakarios,G.、Pavlakou,T.、Murray,I.:用于密度估计的掩蔽自回归流。摘自:Guyon I、Luxburg UV、Bengio S等(编辑)《高级神经信息》。过程。系统。(2017) [36] 帕帕马卡里奥斯,G。;Nalisnick,E。;Rezende,DJ,概率建模和推理的规范化流,J.Mach。学习。第22、57、1-64号决议(2021年)·Zbl 07370574号 [37] Raftery,AE;Gneiting,T。;Balabdaoui,F.,《使用贝叶斯模型平均值校准预测集合》,周一。Weather Rev.,133,5115-1174(2005年)·doi:10.1175/MWR2906.1 [38] Rao,TS,《双线性时间序列模型理论》,J.Roy。统计社会服务。B方法。,43, 2, 244-255 (1981) ·Zbl 0473.62079号 [39] Rügamer,D.,Kolb,C.,Klein,N.:半结构深度分布回归:加性模型和深度学习的组合。arXiv预打印arXiv:2002.05777(2020) [40] Sakia,RM,The box-cox transformation techniques:综述,J.Royal Stat.Soc.Ser。D Stat.,41,2,169-178(1992) [41] Schlosser,L.、Hothorn,T.、Stauffer,R.等人:复杂地形中概率降水预测的分布回归森林。附录申请。《统计》第3卷,1564-89页(2019年)·兹比尔1433.62325 [42] Shumway,R.H.,Stoffer,D.S.,Stofer,D.S.:时间序列分析及其应用,第3卷。斯普林格(2000)·Zbl 0942.62098号 [43] Sick,B.,Hothorn,T.,Dürr,O.:深度转换模型:使用基于神经网络的转换模型处理复杂回归问题。In:2020年第25届模式识别国际会议(ICPR),IEEE,第2476-2481页(2021) [44] Smith,M.S.:隐式连接词:概述。计量经济学和统计学(2021年) [45] 尤里亚,B。;马萨诸塞州科特;Gregor,K.,神经自回归分布估计,J.Mach。学习。研究,17,205,1-37(2016)·Zbl 1433.68393号 [46] Van Belle,V.、Pelckmans,K.、Suykens,J.A.等人:排名和生存分析的学习转换模型。J.马赫。学习。第12(3)号决议(2011年)·Zbl 1280.62117号 [47] Wong,CS;Li,WK,关于混合自回归模型,J.Royal Stat.Soc.Ser。《美国统计年鉴》。,62, 1, 95-115 (2000) ·Zbl 0941.62095号 [48] 吴,CO;Tian,X.,《纵向研究中使用时变变换模型的条件分布和等级跟踪概率的非参数估计》,美国统计协会,108,503,971-982(2013)·Zbl 06224980号 ·doi:10.1080/01621459.2013.808949 [49] Yu,H.F.,Rao,N.,Dhillon,I.S.:用于高维时间序列预测的时间正则化矩阵分解。在:NIPS,第847-855页(2016) 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。