×
玛丽亚·露西娅·帕雷拉;朱塞皮纳阿尔巴诺;西拉·佩纳;米歇尔·拉罗卡

时空数据集中缺失值序列的Bootstrap联合预测区域。 （英语） Zbl 1505.62314号

计算。斯达。 36，第4期，2917-2938（2021）.
摘要：缺失数据重建是时空数据分析和挖掘中的关键步骤。然而，很少有研究综合考虑缺失数据模式、样本选择和时空关系。为了考虑点预测中的不确定性，可能需要一些预测区间。特别是，对于连续时间点的缺失序列（可能很长），联合预测区域是可取的。本文提出了一种自举重采样方案，以全局概率（1-α）构造联合预测区域，该联合预测区域在时空框架中近似包含时间分量的缺失路径。在许多应用程序中，考虑到整个缺失样本路径的覆盖范围可能显得过于限制。为了获得更丰富的信息推断，我们还导出了更小的联合预测区域，该区域仅包含丢失路径的所有元素，最多包含少量的元素，概率为1-α。进行了模拟实验，以验证所提出的联合自举预测的经验性能，并将其与一些基于简单标称覆盖率校正的替代程序进行比较，这些程序松散地受到了Bonferroni方法的启发，预计在标准场景下能很好地工作。

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）
62立方米 空间过程推断
62第20页 统计学在经济学中的应用

关键词：

时空模型;路径缺失重建;联合预测区域

软件：

RegEM公司;iVAR公司
PDF格式BibTeX公司 XML格式引用
\textit{M.L.Parrella}等人，计算。Stat.36，No.4，2917--2938（2021；Zbl 1505.62314）
全文： 内政部

参考文献：

[1] 阿隆索，AM；Sipols，AE，内插间隔的时间序列引导程序，《计算统计数据分析》，52，1792-1805（2008）·Zbl 1452.62613号 ·doi:10.1016/j.csda.2007.05.029
[2] 阿隆索，AM；西波尔斯，AE；Quintas，S.，时间序列内插区间的单指数模型程序，计算统计，281463-1484（2013）·Zbl 1306.65019号 ·doi:10.1007/s00180-012-0355-8
[3] Atluri，G。；Karpatne，A。；Kumar，V.，《时空数据挖掘：问题和方法的调查》，ACM Compute Surv，51，4，1-41（2018）·数字对象标识代码：10.1145/3161602
[4] 微积分，C。；法索，A。；菲纳齐，F。；Pollice，A。；Turnone，A.，《应用于意大利阿普里亚空气质量的多元隐藏动态地质统计模型的最大似然估计》，环境计量学，26，406-417（2015）·Zbl 1525.62086号 ·doi:10.1002/env.2345
[5] 卡诺，S。；Andreu，J.，《使用多重插补模拟时间序列：解决距离效应的建议》，WSEAS Trans-Comput，9，7，768-777（2010）
[6] Choi，E。；Hall，P.，根据任意阶自回归计算的Bootstrap置信区，J R Stat Soc Ser B，62，3，461-477（2000）·Zbl 0966.62027号 ·doi:10.1111/1467-9868.00244
[7] 窦，B。；帕拉拉，ML；Yao，Q.，未知对角系数时空模型的广义Yule-Walker估计，经济杂志，194，369-382（2016）·Zbl 1443.62252号 ·doi:10.1016/j.jeconom.2016.05.014
[8] Eischeid，JK；Pasteris，宾夕法尼亚州；直径，HF；Lantico，MSP；新泽西州洛特，《为美国西部建立一个连续完整的全国每日温度和降水时间序列》，《应用气象杂志》，39，1580-1591（2000）·doi:10.1175/1520-0450（2000）039<1580:CASCND>2.0.CO；2
[9] 高，Z。；马云（Ma，Y.）。；Wang，H。；Yao，Q.，带状时空自回归，《经济杂志》，208，211-230（2019）·Zbl 1452.62637号 ·doi:10.1016/j.jeconom.2018.09.012
[10] Junninen，H。；Niska，H。；Tuppurainen，K。；Ruuskanen，J。；Kolehmainen，M.，空气质量数据集缺失值的插补方法，大气环境，38，182895-2907（2004）·doi:10.1016/j.atmosenv.2004.02.026
[11] Lee，LF；Yu，J.，带固定效应的空间自回归面板数据模型估计，《经济杂志》，154165-185（2010）·Zbl 1431.62643号 ·doi:10.1016/j.jeconom.2009.08.001
[12] 刘，S。；Molenaar，PC，iVAR：使用向量自回归模型插补多元时间序列中缺失数据的程序，Behav Res Methods，46，4，1138-1148（2014）·doi:10.3758/s13428-014-0444-4
[13] Lo Presti，R。；Barca，E。；Passarella，G.，《用于处理坎德拉罗河流域（意大利）每日降雨量数据缺失数据的方法》，《环境监测评估》，160，1-22（2010）·doi:10.1007/s10661-008-0653-3
[14] 潘·L。；Politis，ND，线性、非线性和非参数自回归的Bootstrap预测区间，J Stat Plan推断，177，1-27（2016）·Zbl 1353.62101号 ·doi:10.1016/j.jspi.2014.10.03
[15] 马里兰州帕雷拉；阿尔巴诺，G。；拉罗卡，M。；Perna，C.，《重建多元时间序列中的缺失数据序列：环境数据的应用》，《统计方法应用》，第28、2、359-383页（2019年）·Zbl 1427.62105号 ·doi:10.1007/s10260-018-00435-9
[16] Pollice，A。；Lasinio，GJ，复合监测网络中空气质量数据的两种插补和调整方法，《数据科学杂志》，7，43-59（2009）·doi:10.6339/JDS.2009.07（1）.589
[17] 曲，X。；Lee，L。；Yang，C.，利用双边变量构建的内生空间权重估计SAR模型，经济杂志，221，1，180-197（2021）·Zbl 1464.62521号 ·doi:10.1016/j.jeconom.2020.05.011
[18] Schneider，T.，《不完整气候数据的分析：平均值和协方差矩阵的估计以及缺失值的插补》，《气候杂志》，第14期，第853-871页（2001年）·doi:10.1175/1520-0442（2001）014<0853:AOICDE>2.0.CO；2
[19] 史密斯，KW；Aretxabaleta，AL，空间时间序列的期望最大化分析，非线性过程地球物理，14，1，73-77（2007）·doi:10.5194/npg-14-73-2007
[20] 蒂加瓦拉普，RSV；Chandramouli，V.，《估计缺失降水记录的改进加权方法、确定性和随机数据驱动模型》，《水文杂志》，312191-206（2005）·doi:10.1016/j.jhydrol.2005.02.015
[21] Wolf，M。；Wunderli，D.，《Bootstrap联合预测区域》，《Time-Ser-Anal杂志》，36，2，352-376（2015）·Zbl 1325.62069号 ·doi:10.1111/jtsa.12099
[22] Yang，H。；杨，J。；韩，LD；刘，X。；Pu，L.等人。；Chin，山猫；Hwang，HL，Kriging基于时空的交通量数据插补方法，公共科学图书馆one，13，4，1-11（2018）
[23] Young，KC，月降雨量插值的三向模型，《Mon Weather Rev》，120，2561-2569（1992）·doi:10.1175/1520-0493（1992）120<2561:ATWMFI>2.0.CO；2
[24] 张，X。；Yu，J.，空间自回归模型的空间权重矩阵选择和模型平均，经济杂志，203，1-18（2018）·Zbl 1386.62033号 ·doi:10.1016/j.econom.2017.05.021
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。