用于时间序列数据自相关聚类的自回归混合模型
统计方法学
2022-01-19 v2
摘要
将时间序列聚类为相似的组可以通过整合相似时间序列之间的信息来改进模型。尽管关于时间序列聚类的文献已相当丰富，但这些方法往往独立于模型训练来生成聚类，从而导致模型拟合不佳。我们提出了一种新颖的分布式方法，可同时对相似个体组进行聚类并拟合自回归模型。我们采用 Wishart 混合模型，以便在聚类个体的同时对其相应的自协方差矩阵进行建模。拟合得到的 Wishart 尺度矩阵通过 Yule-Walker 方程映射到簇级自回归系数，从而拟合稳健且简洁的自回归混合模型。该方法能够在具有大型异构数据集的场景中辨别时间序列潜在自相关变异的差异。我们证明了聚类成员估计量的一致性、系数的渐近分布，并通过仿真以及拟合 COVID-19 预测模型将我们的方法与竞争方法进行比较。
引用
@article{arxiv.2006.16539,
title = {Autoregressive Mixture Models for Serial Correlation Clustering of Time Series Data},
author = {Benny Ren and Ian Barnett},
journal= {arXiv preprint arXiv:2006.16539},
year = {2022}
}