论文部分内容阅读
在现代信息社会，多维时间序列的研究变得越来越重要.相比于单变量时间序列，多维时间序列的研究还远远不够.多维时间序列的传统VARMA模型因为模型的复杂度和高计算成本，在实际问题中鲜少应用.对于高维时间序列的研究更多则由降维的角度着手. 在这篇文章中，考虑建立一个针对稀疏型高维时间序列的有效降维模型.我们利用因子模型对高维时间序列进行降维，进一步考虑对载荷矩阵进行稀疏化，提出由低维时间序列进行信息表达的稀疏化降维方法.其中应用了主成分分析思想进行降维，同时应用了lasso思想进行载荷矩阵的压缩，得到稀疏化的结果. 针对上述问题，本文基于因子模型和scotlass模型，建立两步估计模型和自适应模型，并给出相应的算法.模拟结果显示，两步估计和自适应模型能够有效地实现降维和稀疏化.最后，我们讨论了两种模型的适用性和性质.