×

稀疏高维时间序列模型的基于Bootstrap的推理。 (英语) Zbl 1476.62186号

本文提出了基于bootstrap过程的新估计量和假设检验,并将其应用于稀疏(多个零系数)高维时间序列。该方法的第一步是将具有分散系数的模型转换为等效模型,但其系数不分散(“VAR参数的去参数化估计”)。接下来,基于先前估计的极限分布,通过bootstrap过程,对VAR(d)模型进行了各种推断(包括假设检验)。在这种情况下,假设测试问题的一个例子可能是测试参数子集是否为零。在讨论这个问题时,作者提出了一种避免高维矩阵求逆问题的统计量。在一些假设下,给出了关于所提出估计量渐近行为的结果。通过仿真研究,分析了所提出的自举方法在一些VAR模型中的性能。本研究的一个重要部分是使用R包例程实现的。此外,还显示了所提出的方法在具有实际数据的示例上的结果。本文作者认为,虽然有几个现实生活中的现象可以用稀疏系数级数模型进行很好的分析,但这是一个不发达的领域,可能是因为严格研究其渐近理论有困难。不幸的是,文本中几个地方的符号令人困惑。此外,令人遗憾的是,一些理解本文的注释和示例都在补充材料中,必须与本文分开购买。

MSC公司:

62M10个 统计学中的时间序列、自相关、回归等(GARCH)
62小时12分 多元分析中的估计
62H15型 多元分析中的假设检验
62F40型 引导、折刀和其他重采样方法
62-08 统计问题的计算方法
PDF格式BibTeX公司 XML格式引用

参考文献:

[1] Basu,S.和Michailidis,G.(2015)。稀疏高维时间序列模型中的正则化估计。安。统计师。43 1535-1567. ·Zbl 1317.62067号 ·doi:10.1214/15-AOS1315
[2] Bickel,P.J.和Freedman,D.A.(1981年)。引导的一些渐近理论。安。统计师。9 1196-1217. ·Zbl 0449.62034号 ·doi:10.1214/aos/1176345637
[3] Bickel,P.J.和Levina,E.(2008)。通过阈值进行协方差正则化。安。统计师。36 2577-2604. ·Zbl 1196.62062号 ·doi:10.1214/08-AOS600
[4] Billingsley,P.(1995)。概率与测度,第3版。概率与数理统计中的威利级数纽约:Wiley·Zbl 0822.60002号
[5] Cai,T.和Liu,W.(2011)。稀疏协方差矩阵估计的自适应阈值。J.Amer。统计师。协会。106 672-684. ·Zbl 1232.62086号 ·doi:10.1198/jasa.2011.tm10560
[6] Cai,T.、Liu,W.和Luo,X.(2011)。稀疏精度矩阵估计的约束极小化方法。J.Amer。统计师。协会。106 594-607. ·Zbl 1232.62087号 ·doi:10.1198/jasa.2011.tm10155
[7] Cai,T.T.,Liu,W.和Zhou,H.H.(2016)。估计稀疏精度矩阵:最佳收敛速度和自适应估计。安。统计师。44 455-488. ·Zbl 1341.62115号 ·doi:10.1214/13-AOS1171
[8] Cai,T.T.,Ren,Z.和Zhou,H.H.(2016)。估计结构化高维协方差和精度矩阵:最佳速率和自适应估计。电子。J.统计。10 1-59. ·Zbl 1331.62272号 ·doi:10.1214/15-EJS1081
[9] Chatterjee,A.和Lahiri,S.N.(2010年)。Lasso估计的剩余自举的渐近性质。程序。阿默尔。数学。Soc公司。138 4497-4509. ·兹比尔1203.62014 ·doi:10.1090/S0002-9939-2010-10474-4
[10] Chatterjee,A.和Lahiri,S.N.(2011年)。引导套索估计器。J.Amer。统计师。协会。106 608-625. ·Zbl 1232.62088号 ·doi:10.1198/jasa.2011.tm10159
[11] Chaudhry,A.、Xu,P.和Gu,Q.(2017)。高维格兰杰因果推理中的不确定性评估和错误发现率控制。机器学习国际会议684-693.
[12] Chernozhukov,V.、Härdle,W.K.、Huang,C.和Wang,W.(2018年)。拉索驱动的时间和空间推理。预印本。可从arXiv:1806.05081获得。
[13] Davis,R.A.、Zang,P.和Zheng,T.(2016)。稀疏向量自回归建模。J.计算。图表。统计师。25 1077-1096. ·doi:10.1080/10618600.2015.1092978
[14] Dezeure,R.、Bühlmann,P.和Zhang,C.-H.(2017)。用bootstrap进行高维同步推理。测试26 685-719. ·Zbl 06833591号 ·doi:10.1007/s11749-017-0554-2
[15] Efron,B.(1981)。非参数标准误差和置信区间。加拿大。J.统计。9 139-172. ·兹伯利048262034 ·数字对象标识代码:10.2307/3314608
[16] Efron,B.和Tibshirani,R.J.(1993年)。引导程序简介.统计学和应用概率专著57.纽约:CRC出版社·兹比尔083562038 ·doi:10.1007/978-1-4899-4541-9
[17] El Karoui,N.(2008年)。大维稀疏协方差矩阵的算子范数一致估计。安。统计师。36 2717-2756. ·Zbl 1196.62064号 ·doi:10.1214/07-AOS559
[18] Farmer,R.E.(2015)。股市崩盘确实导致了大衰退。牛津大学。牛市。经济。斯达。77 617-633.
[19] Garcia,M.G.、Medeiros,M.C.和Vasconcelos,G.F.(2017)。高维模型实时通货膨胀预测:巴西的案例。国际期刊预测。33 679-693.
[20] Han,F.,Lu,H.和Liu,H.(2015)。高维平稳向量自回归的直接估计。J.马赫。学习。物件。16 3115-3150. ·Zbl 1351.62165号
[21] Kilian,L.和Lütkepohl,H.(2017)。结构向量自回归分析剑桥:剑桥大学出版社·兹比尔1377.62005
[22] K.奈特和W.傅(2000)。套索型估计量的渐近性。安。统计师。28 1356-1378. ·Zbl 1105.62357号 ·doi:10.1214/aos/1015957397
[23] Kock,A.B.和Callot,L.(2015)。高维向量自回归的Oracle不等式。J.计量经济学186 325-344. ·Zbl 1331.62348号 ·doi:10.1016/j.jeconom.2015.02.013
[24] Krampe,J.、Kreiss,J.-P.和Paparoditis,E.(2021)。对“稀疏高维时间序列模型的基于Bootstrap的推理”的补充·Zbl 1328.62524号 ·doi:10.3150/20-BEJ1239SUPP文件
[25] Ledoit,O.和Wolf,M.(2012)。大维协方差矩阵的非线性收缩估计。安。统计师。40 1024-1060. ·Zbl 1274.62371号 ·doi:10.1214/12-AOS989
[26] Lin,J.和Michailidis,G.(2017年)。高维多块向量自回归模型的正则化估计和测试。J.马赫。学习。物件。18 4188-4236·Zbl 1442.62122号 ·doi:10.1631/jzus.a1500279
[27] Liu,W.,Xiao,H.和Wu,W.B.(2013)。相关性下的概率和力矩不等式。统计师。西尼卡23 1257-1272. ·Zbl 06202706号
[28] Lütkepohl,H.(2005)。多时间序列分析新导论柏林:施普林格·Zbl 1072.62075号 ·doi:10.1007/978-3-540-27752-1
[29] McCracken,M.W.和Ng,S.(2016年)。FRED-MD:用于宏观经济研究的月度数据库。J.总线。经济。统计师。34 574-589. ·doi:10.1080/07350015.2015.1086655
[30] Neykov,M.、Ning,Y.、Liu,J.S.和Liu,H.(2018年)。置信区统一理论和高维估计方程的测试。统计师。科学。33 427-443. ·Zbl 1403.62101号 ·doi:10.1214/18-STS661
[31] Ning,Y.和Liu,H.(2017)。稀疏高维模型的假设检验和置信域的一般理论。安。统计师。45 158-195. ·Zbl 1364.62128号 ·doi:10.1214/16-AOS1448
[32] Phelps,E.S.(1999年)。在这场结构性繁荣的背后:资产估值的作用。美国经济。版次。89 63-68.
[33] R核心团队(2018年)\(R):统计计算语言与环境奥地利维也纳:R统计计算基金会。
[34] Reinsel,G.C.(1993)。多元时间序列分析要素.统计学中的斯普林格系列纽约:Springer·Zbl 0783.62072号 ·doi:10.1007/978-1-4684-0198-1
[35] Simon,N.、Friedman,J.、Hastie,T.和Tibshirani,R.(2011)。通过坐标下降实现Cox比例风险模型的正则化路径。J.统计软件。39 1-13·doi:10.18637/jss.v039.i05
[36] Song,S.和Bickel,P.J.(2011年)。大向量自动回归。预印本。可从arXiv:1106.3915获得。
[37] Tsay,R.S.(2014)。多元时间序列分析以下为:使用R和财务应用程序.概率统计中的威利级数新泽西州霍博肯:威利·Zbl 1279.62012号
[38] van de Geer,S.、Bühlmann,P.、Ritov,Y.和Dezeure,R.(2014)。关于高维模型的渐近最优置信域和检验。安。统计师。42 1166-1202. ·兹比尔1305.62259 ·doi:10.1214/14-AOS1221
[39] Wilms,I.、Basu,S.、Bien,J.和Matteson,D.S.(2019年)。大规模向量自回归移动平均的稀疏识别和估计。预印。可从arXiv:1707.09208获取。
[40] Wu,W.-B.和Wu,Y.N.(2016)。具有相关误差的高维线性模型参数估计的性能界。电子。J.统计。10 352-379. ·Zbl 1333.62172号 ·doi:10.1214/16-EJS1108
[41] Wu,W.B.(2005)。非线性系统理论:从另一个角度看相关性。程序。国家。阿卡德。科学。美国102 14150-14154. ·兹比尔1135.62075 ·doi:10.1073/pnas.0506715102
[42] Wu,W.B.(2011)。平稳过程的渐近理论。统计接口4 207-226. ·Zbl 1513.62185号 ·doi:10.4310/SII.2011.v4.n2.a15
[43] Yan,Y.和Lin,F.(2016)。FinCovRegularization:金融协方差矩阵估计和正则化。R包版本1.1.0。
[44] Zhang,C.-H.和Zhang的S.S.(2014)。高维线性模型中低维参数的置信区间。J.R.统计社会服务。B.统计方法。76 217-242·Zbl 1411.62196号 ·doi:10.1111/rssb.12026
[45] Zhang,D.和Wu,W.B.(2017)。高维时间序列的高斯近似。安。统计师。45 1895-1919. ·Zbl 1381.62254号 ·doi:10.1214/16-AOS1512
[46] Zhang,X.和Cheng,G.(2018)。物理依赖下高维向量的高斯近似。伯努利24 2640-2675. ·Zbl 1419.62257号 ·doi:10.3150/17-BEJ939
[47] Zheng,L.和Raskutti,G.(2019)。测试自回归模型中的高维网络参数。电子。J.统计。13 4977-5043 ·Zbl 1434.62201号 ·doi:10.1214/19-EJS1646
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。