Черновой набросок портрета: несколько уверенных линий задают форму, но детали ещё не проработаны. Так параметрическая модель, например векторная авторегрессия (VAR), описывает временной ряд: она улавливает основную структуру, но если реальные данные отклоняются от её предположений, портрет получается искажённым. Непараметрический подход — это свободный рисунок без жёстких правил: он гибок, но часто сглаживает резкие черты, теряя важные детали. Новый метод берёт параметрический набросок и доводит его до точной картины, добавляя непараметрические штрихи в частотной области.

Идея проста: взять VAR-модель для данных во временной области, а затем скорректировать её в частотной области с помощью матрицы коррекции. Эта матрица умножает коэффициенты Фурье и исправляет возможную неверную спецификацию модели. Корректирующая матрица строится как отношение квадратных корней истинной спектральной плотности и спектральной плотности параметрической модели. На неё накладывается гибкое априорное распределение Бернштейна–Hpd–Гамма, которое является многомерным обобщением процесса Дирихле. Это позволяет методу адаптироваться к данным, не предполагая заранее их точную форму.

В симуляциях метод сравнивали с чисто параметрическим VAR и чисто непараметрическим подходом на основе правдоподобия Уиттла. Когда параметрическая модель была верна, новый метод показывал точность, близкую к непараметрическому, но параметрический оставался чуть лучше. Когда же модель была неверна, новый метод превосходил обоих: ошибка L1 составила 0.081 против 0.097 у непараметрического и 0.156 у параметрического. Покрытие 90% доверительных областей достигло 0.888, тогда как у непараметрического оно было 0.594, а у параметрического 0.980 (но с чрезмерной шириной).

Применение к индексу Южного колебания (453 месяца данных) и скоростям ветра в шести аэропортах Калифорнии подтвердило: метод выделяет годовой пик в SOI и суточный пик в ветре, которые другие подходы смазывают. Это делает его полезным в климатологии, эконометрике, нейронауке и обработке сигналов, где важны и точность, и устойчивость к неверной спецификации модели. Черновой набросок превращается в детализированный портрет: параметрическая основа задаёт структуру, а непараметрическая коррекция добавляет реалистичные черты, не смазывая резкие грани.