联合分位数时间序列分析中的贝叶斯特征选择

在相关的多元时间序列数据上进行分位数特征选择一直是一个方法学挑战，且是一个开放问题。在本文中，我们提出一种用于高维联合分位数时间序列分析中特征选择的通用贝叶斯降维方法，称为分位数特征选择时间序列（QFSTS）模型。QFSTS 模型是一种通用结构时间序列模型，其中每个分量对时间序列建模产生可直接解释的可加贡献。其灵活性是复合的，即用户可对每个时间序列添加/删减分量，且每个时间序列可拥有自身特定大小的不同分量。特征选择在区间回归分量中进行，其中每个时间序列拥有自身的同期外部预测变量池，支持现在预测（nowcasting）。将特征选择扩展至分位数时间序列研究领域的贝叶斯方法学采用多元非对称拉普拉斯分布、尖峰- slab 先验设定、Metropolis-Hastings 算法和贝叶斯模型平均技术进行开发，均在贝叶斯范式下一致实现。QFSTS 模型仅需小数据集训练且收敛迅速。大量检验证实 QFSTS 模型在特征选择、参数估计和预测方面具有优越性能。