Simultaneous Inference for Nonlinear Time Series: A Sieve M-Regression Approach
报告人简介
罗天派,西南财经大学统计交叉创新研究院,2026年获清华大学统计学博士学位。主要研究方向包括非平稳时间序列、高维统计推断、网络数据及统计机器学习。相关研究成果发表于 Journal of the American Statistical Association(JASA)、Advances in Neural Information Processing Systems(NeurIPS)等国际学术期刊和会议。
讲座内容介绍
本文从筛 M 回归(sieve M-regression)的视角研究非线性时间序列中条件分布的同时推断问题。已有关于筛 M 回归的文献主要关注逐点渐近性质,尚未探索在整个预测变量空间上的不确定性量化。为填补这一空白,我们为筛 M 估计量建立了均匀 Bahadur 表示,可同时处理相依数据和不断增加的筛基函数个数。我们针对时间相依数据发展了一套新的高维经验过程理论,并利用专门设计的 M-分解方法控制高维复杂性。基于该表示,我们进一步建立凸高斯近似,以刻画估计量的渐近行为并构造有效的同时置信区域(SCRs)。为便于实际应用,我们提出自卷积自助法(self-convolved bootstrap),可精确逼近最大偏差的分布。该推断框架由严格的误差界提供理论保证,并通过数值模拟和实际数据分析得到验证。