带外生时间序列的可解释向量自回归模型
机器学习
2017-11-13 v1 应用统计
摘要
向量自回归（VAR）模型是多元时间序列研究的基础。尽管许多研究者对VAR模型进行了深入探究，从业者通常更有兴趣分析VARX模型，该模型将未建模的外生变量（X）的影响纳入VAR中。然而，由于参数空间随时间序列数量呈二次增长，估计很快变得困难。虽然已有若干提议用于稀疏估计大型VAR模型，但大型VARX模型的估计尚缺乏充分研究。此外，这些稀疏提议通常涉及lasso型惩罚，且未将滞后阶选择纳入估计过程。因此，所得模型可能难以解释。本文针对大型VARX模型提出一种基于滞后的分层稀疏估计量，称为“HVARX”。我们在一个跨品类管理营销应用中说明了HVARX的实用性。结果表明，它提供了一个高度可解释的模型，并且相较于lasso型方法提高了样本外预测精度。
引用
@article{arxiv.1711.03623,
title = {Interpretable Vector AutoRegressions with Exogenous Time Series},
author = {Ines Wilms and Sumanta Basu and Jacob Bien and David S. Matteson},
journal= {arXiv preprint arXiv:1711.03623},
year = {2017}
}
备注
Presented at NIPS 2017 Symposium on Interpretable Machine Learning