局部平稳时间序列的预测推断及其在气候数据中的应用
统计方法学
2018-06-12 v2
摘要
Politis（2015）的无模型预测原理已成功应用于一般回归问题以及涉及平稳时间序列的问题。然而，对于长时间序列，例如跨越 100 年以上的年度温度测量或跨越数年的每日金融收益，假设整个数据集期间都平稳是不现实的。在本文中，我们展示了如何应用无模型预测来处理仅局部平稳的时间序列，即它们只能在短时间窗内被假定为平稳。令人惊讶的是，即便在基于模型的设定下，关于一般局部平稳时间序列的点预测文献也很少，而关于局部平稳时间序列预测区间的构建则毫无文献。我们也试图在此填补这一空白。我们构建了单步向前点预测器和预测区间，并将无模型预测的性能与采用包含趋势和/或异方差模型的基于模型预测进行比较。论文的无模型与基于模型两个方面，在局部（而非全局）平稳的时间序列背景下都是新颖的。我们还展示了我们的基于模型与无模型预测方法在呈现局部平稳性的石笋气候数据上的应用，并表明我们最佳的无模型点预测结果优于先前用于该数据分析的 RAMPFIT 算法所得结果。
引用
@article{arxiv.1712.02383,
title = {Predictive inference for locally stationary time series with an application to climate data},
author = {Srinjoy Das and Dimitris N. Politis},
journal= {arXiv preprint arXiv:1712.02383},
year = {2018}
}