异质时间序列的结构化估计
统计方法学
2023-11-16 v1 机器学习
摘要
如何最佳地对结构异质过程进行建模是社会科学、健康与行为科学中的基础性问题。近期，Fisher 等人（2022）提出了 multi-VAR 方法，利用惩罚估计同时估计具有共性与个体差异特征的多受试者多元时间序列。该方法不同于许多流行的多受试者时间序列建模方法，其能很好地容纳大量个体动态中的定性与定量差异。当前工作扩展了 multi-VAR 框架，引入新的自适应加权方案，大幅提升了估计性能。在一小组模拟研究中，我们将带有这些新惩罚权重的自适应 multi-VAR 与常见替代估计量在路径恢复与偏差方面进行比较。此外，我们使用 R 语言的 multivar 包（Fisher，2022）提供了玩具示例与代码，展示 multi-VAR 在不同异质机制下的效用。
引用
@article{arxiv.2311.08658,
title = {Structured Estimation of Heterogeneous Time Series},
author = {Zachary F. Fisher and Younghoon Kim and Vladas Pipiras and Christopher Crawford and Daniel J. Petrie and Michael D. Hunter and Charles F. Geier},
journal= {arXiv preprint arXiv:2311.08658},
year = {2023}
}