Projected estimation for large-dimensional matrix factor models
高维矩阵因子模型的投影估计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。
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：摘要明确研究矩阵因子模型、因子载荷与因子数量，并包含宏观经济应用，因此归入因子模型方向。
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…
高维矩阵因子模型的投影估计
- 研究问题
- 研究高维矩阵因子模型中，如何利用行列因子空间改善载荷估计，并确定行因子与列因子的数量。摘要聚焦横截面尖峰特征值情形。
- 方法与思路
- 作者将观测矩阵投影至行或列因子空间，通过线性过滤降低特异误差，再估计因子载荷，并提出选择行列因子数量的迭代程序。
- 材料陈述的贡献
- 摘要称，在类似条件下，投影载荷估计较已有估计具有更快收敛率，并给出渐近分布；数值研究及金融、宏观案例用于展示表现。
- 阅读关注点
- 应核对尖峰特征值、因子强度与误差依赖的具体条件，投影空间如何估计，以及更快收敛率和因子数量选择分别适用的范围。
- 阅读边界
- 仅依据所给出版社摘要，无法判断速率改进所需的完整条件、数值优势大小或应用稳健性，也不能推断其他版本的内容变化。
原文摘要
In this study, we propose a projection estimation method for large-dimensional matrix factor models with cross-sectionally spiked eigenvalues. By projecting the observation matrix onto the row or column factor space, we simplify factor analysis for matrix series to that of a lower-dimensional tensor. This method also reduces the magnitudes of the idiosyncratic error components, thereby increasing the signal-to-noise ratio, because the projection matrix linearly filters the idiosyncratic error matrix. We theoretically prove that the projected estimators of the factor loading matrices achieve faster convergence rates than existing estimators under similar conditions. Asymptotic distributions of the projected estimators are also presented. A novel iterative procedure is given to specify the pair of row and column factor numbers. Extensive numerical studies verify the empirical performance of the projection method. Two real examples in finance and macroeconomics reveal factor patterns across rows and columns, which coincide with financial, economic, or geographical interpretations.