FNETS：面向高维时间序列的因子调整网络估计与预测
统计方法学
2025-03-05 v6
摘要
我们提出 FNETS，一种针对具有强序列相关与横截面相关的高维时间序列进行网络估计与预测的方法。我们在因子调整的向量自回归（VAR）模型下工作：在通过{\it 共同}因子刻画变量的普遍性协同运动之后，将剩余变量间的{\it 特质性}动态依赖建模为稀疏 VAR 过程。FNETS 的网络估计包含三步：（i）通过动态主成分分析进行因子调整，（ii）通过 正则化 Yule-Walker 估计量估计潜在 VAR 过程，（iii）估计偏相关与长期偏相关矩阵。由此，我们学习了支撑 VAR 过程的三种网络，即表示变量间格兰杰因果联系的 directed 网络、刻画其同期关系的无向网络，以及总结先行-滞后与同期联系的无向网络。此外，FNETS 提供了一套用于预测因子驱动与特质性 VAR 过程的方法。在允许重于高斯分布的尾部的通用条件下，我们推导了网络估计与预测中估计量的均匀一致性速率，该速率在面板维度与样本量同时趋于无穷时成立。模拟研究与真实数据应用验证了 FNETS 的良好表现。
引用
@article{arxiv.2201.06110,
title = {FNETS: Factor-adjusted network estimation and forecasting for high-dimensional time series},
author = {Matteo Barigozzi and Haeran Cho and Dom Owens},
journal= {arXiv preprint arXiv:2201.06110},
year = {2025}
}