Multilevel Main Effects Matrix Factor Model
多层主效应矩阵因子模型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：摘要核心为矩阵因子模型与全局/局部共同因子的估计和检验，属因子模型方向；实证使用美国股票数据，故同时归入金融因子。
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…
关注这篇论文的作者
多层主效应矩阵因子模型
- 研究问题
- 如何从成组的矩阵数据中提取有意义的行效应与列效应，并区分由全局共同因子驱动的数据组？
- 方法与思路
- 作者提出多层主效应矩阵因子模型（MMEFM），作为多层矩阵因子模型的推广，给出模型定义与识别条件，并设计迭代算法估计全局与局部主效应、共同成分及核心秩，同时给出收敛速度；还提出Bootstrap程序检验全局共同因子的存在并识别相应数据组。
- 材料陈述的贡献
- 摘要称该模型允许所有主效应非平稳，且仍能在每个时点一致估计；估计的全局共同因子具有对齐无关性，因而真正全局、更易呈现与解释；并通过模拟与一组美国股票数据展示检验功效与估计精度，与矩阵时间序列的其他前沿方法比较，相关数值工作由CRAN上的R包MMEFM完成。
- 阅读关注点
- 应核对识别条件的具体形式与可验证性、迭代算法的收敛保证与初值敏感性、非平稳下逐时点一致估计所需假设、对齐无关性的确切含义，以及Bootstrap检验的原假设与有限样本表现。
- 阅读边界
- 仅依据arXiv预印本摘要，未读全文；这是预印本，不能据此声称已通过同行评审或期刊接收。摘要未说明具体识别假设、定理条件、模拟设计细节与实证数据区间，所述优越性均属作者陈述，未经独立验证。
原文摘要
We propose a multilevel main effects matrix factor model (MMEFM) to extract meaningful row and column effects from groups of matrix data. As a generalization of a multilevel matrix factor model, we provide rigorous definitions of MMEFM and identifications, together with iterative algorithms for the estimators of all global and local components in the main effects and common component, including global/local main effects and core ranks, with rates of convergence spelt out. An important feature of the model is that all main effects can be nonstationary and still be consistently estimated at each time point. At the same time, our estimated global common factors are alignment independent, and hence are truly global, and can be presented and given interpretations more easily. We propose a Bootstrap procedure for detecting the existence and identifying the groups of data that are driven by the global common factors. The power of the test, together with the accuracy of various estimators, are demonstrated in extensive simulation settings. Estimation performance is also compared to other state-of-the-art methods for matrix time series by simulations and a set of U.S. equity data. All numerical works are done using the R package MMEFM, which is available at CRAN.