Inferencia de imitaciones de alta dimensión para datos de series temporales

Área de la Ciencia:

• Las estadísticas
• Análisis de las series temporales
• Aprendizaje automático

Sus antecedentes:

• La inferencia de imitaciones del modelo X es una herramienta poderosa para la selección de características, pero se enfrenta a desafíos con los datos de series temporales debido a la dependencia en serie.
• Los métodos existentes a menudo requieren suposiciones estrictas sobre distribuciones covariadas, que son poco prácticas para series de tiempo del mundo real.
• Abordar estas limitaciones es crucial para una selección fiable de características en sistemas dinámicos.

Objetivo del estudio:

• Establecer una base teórica y metodológica para la inferencia de imitaciones específicamente adaptada a los datos de series temporales.
• Desarrollar un nuevo método, la inferencia de imitaciones de series temporales (TSKI), que supere las limitaciones de los enfoques existentes.
• Asegurar una selección robusta de las características mediante el control de la tasa de descubrimiento falso (FDR) en condiciones difíciles de series temporales.

Principales métodos:

• Inferencia de imitación de series temporales (TSKI) propuesta mediante la integración de submuestreo y valores electrónicos para gestionar la dependencia en serie.
• Inferencia robusta generalizada para relajar la suposición de distribuciones covariadas conocidas, haciéndola adecuada para series temporales.
• Se establecieron las condiciones teóricas para el control de la tasa de descubrimiento falso asintótico (FDR) y se realizó un análisis de potencia utilizando Lasso.

Principales resultados:

• Se ha demostrado que TSKI controla efectivamente la tasa de descubrimiento falso asintótico (FDR) en condiciones suficientes.
• Cuantificó el impacto de la dependencia en serie y las distribuciones de covariantes desconocidas en el control de FDR a través del análisis técnico.
• Se validó el rendimiento de la muestra finita de TSKI mediante simulaciones y un estudio de la inflación económica.

Conclusiones:

• TSKI proporciona un marco robusto y teóricamente sólido para la selección de características en los datos de series temporales.
• El método aborda con éxito las complejidades de la dependencia en serie y las distribuciones de covariantes desconocidas.
• TSKI ofrece una solución práctica para la inferencia confiable en el análisis de series temporales, como lo demuestran las evaluaciones empíricas.