一种改进的带外生变量的 $\ell_1$ 惩罚自回归模型的在线惩罚参数选择方法

高维统计时间序列文献中的许多近期进展都围绕可适配于正则化最小二乘的时间依赖应用展开。其中尤其令人关注的是 lasso，它既能起到正则化作用，又能提供特征选择。lasso 需要指定一个惩罚参数，以决定所施加的稀疏程度。现有尊重时间依赖性的最流行的惩罚参数选择方法计算量非常大，且不适用于对某些类别时间序列的建模。我们提出对一种典型的时间序列模型——带外生变量的自回归模型——进行增强，引入一种新颖的在线惩罚参数选择方法，该方法利用时间序列数据的顺序特性，在涉及宏观经济指标的模拟与实证应用中，相对于现有方法同时提升了计算性能与预测精度。