Matrix Quantile Factor Model
矩阵分位数因子模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接提出矩阵序列的行列因子模型，并研究因子空间、载荷与因子数量。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
矩阵分位数因子模型
- 研究问题
- 对于具有低秩结构的矩阵序列，如何在分位数层面估计行列因子空间，并建立载荷推断与因子数选择方法？
- 方法与思路
- 作者在正交旋转约束下最小化经验检验损失，借助等价增广拉格朗日函数建立局部展开，并研究平滑载荷估计。
- 材料陈述的贡献
- 摘要称得到比矩阵向量化方案更快的收敛率、平滑载荷的中心极限定理，以及三种一致选择行列因子数量的准则。
- 阅读关注点
- 应核对行列维度与序列长度的联合渐近条件、旋转识别和平滑要求，以及收敛率比较和因子数一致性的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出分布和依赖条件，所述速率优势不能脱离其理论设定。
原文摘要
This paper introduces a matrix quantile factor model for matrix-valued data with low-rank structure. We estimate the row and column factor spaces via minimizing the empirical check loss function with orthogonal rotation constraints. We show that the estimates converge at rate $(\min\{p_1p_2,p_2T,p_1T\})^{-1/2}$ in the average Frobenius norm, where $p_1$, $p_2$ and $T$ are the row dimensionality, column dimensionality and length of the matrix sequence, respectively. This rate is faster than that of the quantile estimates via ``flattening" the matrix model into a large vector model. To derive the central limit theorem, we introduce a novel augmented Lagrangian function, which is equivalent to the original constrained empirical check loss minimization problem. Via the equivalence, we prove that the Hessian matrix of the augmented Lagrangian function is locally positive definite, resulting in a locally convex penalized loss function around the true factors and their loadings. This easily leads to a feasible second-order expansion of the score function and readily established central limit theorems of the smoothed estimates of the loadings. We provide three consistent criteria to determine the pair of row and column factor numbers. Extensive simulation studies and an empirical study justify our theory.