大规模向量自回归移动平均模型的稀疏识别与估计
统计方法学
2021-06-09 v4
摘要
向量自回归移动平均 (VARMA) 模型是多元时间序列理论的基础；然而，可识别性问题导致从业者放弃了它，转而选择更简单但更具限制性的向量自回归 (VAR) 模型。我们基于简约原则提出了一种新的基于优化的 VARMA 识别方法，以缩小这一差距。在所有等价的数据生成模型中，我们使用凸优化来寻找某种意义上“最简单”的参数化。使用用户指定的强凸惩罚来衡量模型的简单性，随后利用该惩罚定义一个可高效计算的估计量。我们在双渐近机制下证明了估计量的一致性。我们的非渐近误差界分析同时涵盖了模型设定和参数估计步骤，这一特性对于研究大规模 VARMA 算法至关重要。我们的分析还提供了关于无穷阶 VAR 惩罚估计以及回归变量具有奇异协方差结构下弹性网回归的新结果，这些结果可能具有独立的意义。我们在三个真实数据示例上展示了该方法相对于 VAR 替代方案的优势。
引用
@article{arxiv.1707.09208,
title = {Sparse Identification and Estimation of Large-Scale Vector AutoRegressive Moving Averages},
author = {Ines Wilms and Sumanta Basu and Jacob Bien and David S. Matteson},
journal= {arXiv preprint arXiv:1707.09208},
year = {2021}
}