Regularization and selection in Gaussian mixture of autoregressive models
Notice bibliographique
Résumé
Abstract Gaussian mixtures of autoregressive models can be adopted to explain heterogeneous behaviour in mean, volatility, and multi‐modality of the conditional or marginal distributions of time series. One important task is to infer the number of autoregressive regimes and the autoregressive orders. Information‐theoretic criteria such as aic or bic are commonly used for such inference, and typically evaluate each regime/autoregressive combination separately in order to choose an optimal model. However the number of combinations can be so large that such an approach is computationally infeasible. In this article we first develop a computationally efficient regularization method for simultaneous autoregressive‐order and parameter estimation when the number of autoregressive regimes is pre‐determined. We then propose a regularized Bayesian information criterion ( rbic ) to select the number of regimes. We study asymptotic properties of the proposed methods, and investigate their finite sample performance via simulations. We show that asymptotically the rbic does not underestimate the number of autoregressive regimes, and provide a discussion on the current challenges in investigating whether and under what conditions the rbic provides a consistent estimator of the number of regimes. We finally analyze U.S. gross domestic product growth and unemployment rate data to demonstrate the proposed methods. The Canadian Journal of Statistics 45: 356–374; 2017 © 2017 Statistical Society of Canada
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».