【论文解读】High-Dimensional Vector Autoregressive Time Series Modeling via Tensor Decomposition. 【基本信息】上海交通大学数学科学学院王迪副教授在JOURNAL OF THE AMERICAN STATISTICAL ASSOCIATION（SCI一区）发表的文章。 【摘要】经典向量自回归模型是多元时间序列分析的基本工具。然而，当时间序列和滞后阶数甚至相当大时，它涉及太多参数。本文建议将模型的转换矩阵重新排列为张量形式，以便通过张量分解可以同时沿三个方向限制参数空间。 相比之下，降秩回归方法只能在一个方向上限制参数空间。 除了实现大幅度的降维，所提出的模型还可以从因子建模的角度进行解释。此外，为了处理高维时间序列，本文考虑在因子矩阵上施加稀疏性，以提高模型的可解释性和估计效率，从而产生了稀疏性诱导估计器。对于低维情况，我们导出了所提出的最小二乘估计的渐近性质，并引入了交替最小二乘算法。对于高维情况，我们建立了稀疏性诱导估计器的非渐进性质，并提出了一种用于正则化估计的ADMM算法。

matlab files of threshold autoregressive model STAR

随机信号的参数建模法–AR模型及Matlab实现，参数模型，参数的估计，YW解法，

系泊系统matlab代码自回归系统的倒谱识别 自回归系统倒谱识别论文随附的数字插图代码。 概括 此存储库中的（Matlab）代码重新创建了手稿“自回归系统的倒谱识别”中的数值示例，其预印本可以在 Oliver Lauwers、Christof Vermeersch 和 Bart De Moor 上找到，该手稿开发了一种新颖的、极其高效的系统识别技术，从输入和输出信号的功率倒谱开始估计系统的差分方程。 该算法然后由一组差分方程的精确解组成。 这份手稿已发送至 Automatica 以供考虑出版。 有几个数值示例可用： 一个简单的数值说明，由一个完全已知的合成模型组成。 我们模拟输入和输出数据，并识别系统，以与原始系统进行比较。 一个带有合成数据的示例，以显示鲁棒性和收敛行为。 一个示例显示了倒谱系统识别技术的改进偏置行为，用于识别来自同一系统的一组信号的代表性动态。 尤尔太阳黑子数的历史、规范现实数据集。 通过自回归模型进行结构健康监测的实际应用。 请记住，此代码并不意味着是一个完整的软件包，而只是作为前面提到的手稿随附的插图。 参考 使用此代码或讨论倒谱系统识别结果时，请参阅 。 结构

我编码的自回归过程来预测足球比赛的结果。