[论文解读] How to estimate time-varying Vector Autoregressive Models? A comparison of two methods

Jonas M B Haslbeck, Laura F. Bringmann+1 more|arXiv (Cornell University)|Nov 14, 2017

Mental Health Research Topics参考文献 31被引用 13

一句话总结

本文比较了两种估计时变向量自回归（TV-VAR）模型的方法：基于样条的估计方法与核平滑方法。通过模拟实验和实际教程展示，两种方法在捕捉个体层面时间序列数据中的非平稳动态方面均优于平稳VAR模型，其中核平滑方法在小样本中表现略优。

ABSTRACT

The ubiquity of mobile devices led to a surge in intensive longitudinal (or time series) data of individuals. This is an exciting development because personalized models both naturally tackle the issue of heterogeneities between people and increase the validity of models for applications. A popular model for time series is the Vector Autoregressive (VAR) model, in which each variable is modeled as a linear function of all variables at previous time points. A key assumption of this model is that the parameters of the true data generating model are constant (or stationary) across time. The most straightforward way to check for time-varying parameters is to fit a model that allows for time-varying parameters. In the present paper we compare two methods to estimate time-varying VAR models: the first method uses a spline-approach to allow for time-varying parameters, the second uses kernel-smoothing. We report the performance of both methods and their stationary counterparts in an extensive simulation study that reflects the situations typically encountered in practice. We compare the performance of stationary and time-varying models and discuss the theoretical characteristics of all methods in the light of the simulation results. In addition, we provide a step-by-step tutorial for both methods showing how to estimate a time-varying VAR model on an openly available individual time series dataset.

研究动机与目标

• 解决平稳VAR模型在捕捉个体层面时间序列数据中时变动态方面的局限性。
• 在现实模拟条件下，评估两种时变VAR估计方法——基于样条与核平滑——的性能。
• 提供使用开源工具对真实个体层面数据应用时变VAR模型的实用、分步教程。
• 在密集纵向数据背景下，比较时变VAR与平稳VAR模型的理论与经验特性。

提出的方法

• 样条方法通过B样条对时变系数进行建模，实现对时间上VAR参数的平滑分段多项式估计。
• 核平滑方法通过核函数对历史观测进行加权，以估计时变系数，带宽选择对性能至关重要。
• 两种方法均应用于个体层面时间序列数据，模型拟合采用最大似然或限制性最大似然估计。
• 模拟研究再现了密集纵向数据的常见特征，包括小样本量、非平稳性与异方差性。
• 使用来自开放获取存储库的真实数据集，演示两种方法在实际中的实现。
• 通过均方误差、参数估计精度与预测准确性等标准评估模型性能。

实验结果

研究问题

• RQ1 在现实数据条件下，基于样条与核平滑的时变VAR模型估计方法在性能上如何比较？
• RQ2 时变VAR模型在捕捉个体时间序列中的非平稳动态方面，相较于平稳VAR模型改善了多少？
• RQ3 在有限样本中，哪种方法——样条或核平滑——能提供更准确且更稳定的参数估计？
• RQ4 各方法的理论特性与其在模拟中的实际表现是否一致？
• RQ5 使用真实个体层面数据实现时变VAR模型的实际步骤是什么？

主要发现

• 核平滑方法在参数估计精度方面总体优于基于样条的方法，尤其在小到中等样本量下表现更优。
• 当真实数据生成过程具有时变参数时，时变VAR模型显著降低了预测误差，优于平稳VAR模型。
• 在高噪声和小样本量条件下，基于样条的方法参数估计变异性更高，但其系数轨迹更平滑。
• 两种时变方法均检测到平稳VAR模型所遗漏的非平稳性，提升了异质性个体数据中的模型拟合度与有效性。
• 模拟结果证实，忽略时变动态会导致参数估计偏差及预测性能下降。
• 教程表明，两种方法均可使用标准统计软件实现，且对带宽与节点选择提供了清晰指导。