基于自举法的局部平稳长记忆过程预测：以智利科伊haique的日PM2.5浓度为例

《Environmetrics》：Bootstrap-Based Forecasting for Locally Stationary Long-Memory Processes: An Application to Daily P M 2 . 5 PM 2 . 5 $$ {\mathrm{PM}}_{2.5} $$ Concentrations in Coyhaique, Chile

　　

摘要

预测是时间序列分析的核心目标，人们对获得准确预测和可靠预测区间的兴趣日益增加。状态空间模型通过卡尔曼滤波为此提供了一个自然框架，尽管传统的预测推断通常依赖于高斯新息和时间不变的系统矩阵。我们提出了一种状态空间自助法（SSB）程序，用于构建预测区间，该程序能够适应时变系统矩阵，通过自助重估计纳入参数估计的不确定性，并通过重抽样标准化新息来放宽高斯假设。该方法应用于智利科扬哈克的每日 PM2.5 浓度，使用在状态空间框架内构建的回归-LSARFIMA(1, d(u), 0) 模型。系统性成分通过傅里叶谐波来解释趋势和年度季节性，而随机成分则捕捉短期和长期依赖性，允许分数记忆参数 d(u) 和新息尺度 σ(u) 随时间平滑演变。

利益冲突

作者声明不存在利益冲突。

数据可用性声明

支持本研究发现的数据公开可从智利国家空气质量信息系统（Sistema Nacional de Información de Calidad del Aire, SINCA）平台获取（https://sinca.mma.gob.cl/）。数据可从官方 SINCA 仓库免费访问和下载。