Statistical inference in factor analysis for diffusion processes from discrete observations
基于离散观测的扩散过程因子分析统计推断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：摘要直接研究时间序列扩散过程中的潜在因子分析，方法主题对应因子模型；未说明具体宏观或金融应用背景。
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
基于离散观测的扩散过程因子分析统计推断
- 研究问题
- 当扩散过程的因子不可观测、观测变量维度又不高时，如何开展因子分析，并覆盖遍历和非遍历两类过程的统计推断？
- 方法与思路
- 作者针对高频离散观测提出因子分析方法，旨在处理主成分方法偏向高维、既有准似然方法依赖可观测因子的适用局限。
- 材料陈述的贡献
- 摘要提出用于潜在因子且观测维度不高情形的推断方法，并将遍历和非遍历扩散过程纳入研究范围，但未概述具体理论结果。
- 阅读关注点
- 阅读时应核对潜在因子的识别与估计方式、离散观测的渐近设计，以及两类扩散过程下方法成立的条件和比较证据。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明新方法的具体构造、定理或实验，无法评估所谓有效性。
原文摘要
We consider statistical inference in factor analysis for ergodic and non-ergodic diffusion processes from discrete observations. Factor model based on high frequency time series data has been mainly discussed in the field of high dimensional covariance matrix estimation. In this field, the method based on principal component analysis has been mainly used. However, this method is effective only for high dimensional model. On the other hand, there is a method based on the quasi-likelihood. However, since the factor is assumed to be observable, we cannot use this method when the factor is latent. Thus, the existing methods are not effective when the factor is latent and the dimension of the observable variable is not so high. Therefore, we propose an effective method in the situation.