用于预测双变量非高斯时间序列的双变量广义自回归模型
统计方法学
2025-07-22 v1 统计理论
应用统计
统计理论
摘要
本文提出了一种新方法——双变量广义自回归（BGAR）模型，用于建模和预测双变量时间序列数据。BGAR模型是对双变量向量自回归（VAR）模型的推广，允许数据不必遵循正态分布。我们考虑两个时间序列的随机向量，假设每个序列都属于标准指数族，就像单变量广义自回归移动平均（GARMA）模型所做的那样。我们将一个序列的自回归项纳入另一个序列的动力学结构，反之亦然。模型参数使用条件最大似然（CML）方法进行估计。我们提供条件得分向量和条件Fisher信息矩阵的通用闭式表达式，涵盖所有标准指数族分布。我们开发了渐近置信区间和假设检验。我们讨论了模型选择、残差诊断分析和预测的技术。我们进行了蒙特卡洛模拟研究，以评估有限样本CML推断的性能，包括点估计和区间估计。一个来自巴西圣保罗州的疏散病例在因疏散病感染住院情况的病例数分析表明，该新模型在提供更准确的样本外预测方面优于竞争模型，并允许量化病例数序列对疏散病感染住院情况的滞后效应。
引用
@article{arxiv.2507.14442,
title = {Bivariate generalized autoregressive models for forecasting bivariate non-Gaussian times series},
author = {Tatiane Fontana Ribeiro and Airlane P. Alencar and Fábio M. Bayer},
journal= {arXiv preprint arXiv:2507.14442},
year = {2025}
}