高维非高斯数据的组合分位数预测
统计方法学
2024-02-28 v1 应用统计
摘要
本研究提出了一种新方法，用于基于高维预测器对标量变量进行预测，该方法适用于各种数据分布。在文献中，对众多预测器进行预测的一种流行方法是使用因子模型。然而，这些传统方法在数据表现出非高斯特征（如偏斜或重尾）时是无效的。在本研究中，我们新颖地利用分位数因子模型来提取描述数据特定分位数（超出均值因子）的分位数因子。随后，我们使用在不同分位数水平上估计的分位数因子作为预测器构建分位数基于预测模型。最后，预测值在各种分位数水平上被组合为加权平均，以确定权重，这些权重基于目标变量过去趋势的马尔可夫链确定。提出的方法的主要思想是将分位数方法纳入预测方法，以有效处理非高斯特征。通过仿真研究和对韩国 PM2.5 数据的实际数据分析评估了所提方法的性能，其中在大多数情况下，所提方法均优于其他现有方法。
引用
@article{arxiv.2402.17297,
title = {Combined Quantile Forecasting for High-Dimensional Non-Gaussian Data},
author = {Seeun Park and Hee-Seok Oh and Yaeji Lim},
journal= {arXiv preprint arXiv:2402.17297},
year = {2024}
}