高维度稀疏向量自回归模型的分数边际伪似然函数下的结构学习
摘要：学习多元时间序列的向量自回归模型通常采用最小二乘法或最大似然估计方法。这些方法通常假设完全连接的模型，不提供对模型结构的直接洞察，并可能导致参数估计结果高度噪声化。因此，越来越多的研究关注通过惩罚回归方法产生稀疏估计。然而，这些方法在模型中的变量数量增加时计算复杂度较高，可能会变得耗时较长。本文采用一种近似贝叶斯方法来解决学习问题，将分数边缘似然和伪似然相结合。我们提出了一种新的方法，PLVAR，它比基于惩罚回归的现有方法更快且产生更准确的估计。我们证明了PLVAR估计器的一致性，并在模拟和实际数据上演示了该方法的良好性能。
作者：Kimmo Suotsalo, Yingying Xu, Jukka Corander, Johan Pensar
论文ID：2011.01484
分类：Computation
分类简称：stat.CO
提交时间：2021-09-24