Sparse Parameter Estimation in Overcomplete Time Series Models

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14560%2F06%3A00017505" target="_blank" >RIV/00216224:14560/06:00017505 - isvavai.cz</a>

Result on the web

—

DOI - Digital Object Identifier

—

Result language

angličtina

Original language name

Sparse Parameter Estimation in Overcomplete Time Series Models

Original language description

We suggest a new approach to parameter estimation in time series models with large number of parameters. We use a modified version of the Basis Pursuit Algorithm (BPA) by Chen et al [SIAM Review 43 (2001), No. 1] to verify its applicability to times series modeling. For simplicity we restrict to ARIMA models of univariate stationary time series. After having accomplished and analyzed a lot of numerical simulations we can draw the following conclusions: (1) We were able to reliably identify nearly zero parameters in the model allowing us to reduce the originally badly conditioned overparametrized model. Among others we need not take care about model orders the fixing of which is a common preliminary step used by standard techniques. For short time series paths (100 or less samples) the sparse parameter estimates provide more precise predictions compared with those based on standard maximum likelihood estimators from MATLAB's System Identification Toolbox (IDENT). For longer paths (500 o

Czech name

Řídké odhady parametrů v přeparametrizovaných modelech časových řad

Czech description

Je navržen nový přístup k odhadu parametrů v modelech časových řad s velkým množstvím parametrů. Je používána modifikovaná verze algoritmu BPA (Basis Pursuit Algorithm, [Chen et al, SIAM Review 43 (2001), No. 1]) za účelem ověření jeho použitelnosti v modelech časových řad. Pro jednoduchost se omezujeme na ARIMA modely jednorozměrných stacionárních časových řad. Po provedení a analýze velkého množství numerických simulací byly učiněny následující závěry: (1) V modelu je možno spolehlivě identifikovat parametry blízké nule a tak redukovat původně špatně podmíněný přeparametrizovaný model. Mimo jiné není tak třeba předem odhadovat řády modelu jako při užití standardních technik. V případě krátkých trajektorií (délky 100 a méně) takto získané řídké odhadydávají přesnější predikce ve srovnání s predikcemi získanými pomocí estimátorů metodou maximální věrohodnosti implementovaných v knihovně System Identification Toolbox (IDENT) systému MATLAB. Pro delší trajektorie (délky 500 a více) obě

Type

J_x - Unclassified - Peer-reviewed scientific article (Jimp, Jsc and Jost)

CEP classification

BB - Applied statistics, operational research

OECD FORD branch

—

Project

—

Continuities

Z - Vyzkumny zamer (s odkazem do CEZ)

Publication year

2006

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Name of the periodical

Austrian Journal of Statistics

ISSN

1026-597X

e-ISSN

—

Volume of the periodical

35/2006

Issue of the periodical within the volume

2&3

Country of publishing house

AT - AUSTRIA

Number of pages

8

Pages from-to

371-378

UT code for WoS article

—

EID of the result in the Scopus database

—