摘要：最近的研究重点是𔪿高维线性回归的惩罚最小二乘（Lasso）估计量，其中协变量的数量第页比样本量大得多n个然而，很少有研究对误差和/或协变量连续相关时估计量的性质进行了检验。在本研究中，我们研究了具有随机设计和弱稀疏性的线性回归在序列相关和/或非次高斯误差和协变量下的Lasso估计的理论性质。与传统情况相比，在传统情况下，误差是独立的、同分布的，并且具有有限的指数矩，我们表明第页至多是一种力量n个如果误差只有有限的多项式矩。此外，由于误差和协变量的串行依赖性，收敛速度变慢。当误差或协变量中存在序列相关性，或两者都存在时，我们还使用拉索估计来考虑模型选择的符号一致性。采用函数依赖测度的框架，我们描述了估计量的收敛速度和选择一致性如何依赖于误差和协变量的依赖测度和矩条件。仿真结果表明，在存在无关变量的情况下，拉索回归比混频数据采样回归（MIDAS）和Dantzig选择器更有效。我们将Lasso方法获得的结果应用于混合频率数据的nowcasting，其中串行相关错误和大量协变量是常见的。实证结果表明，Lasso方法在预测和预测方面均优于MIDAS回归和带外生变量的自回归模型。
关键词和短语：一致性、预测、高维时间序列、拉索、混频数据、模型选择、即时广播。
