Regularized Estimation of the Loading Matrix in Factor Models for High-Dimensional Time Series
高维时间序列因子模型载荷矩阵的正则化估计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。
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：摘要明确研究高维时间序列的因子结构和载荷矩阵稀疏估计，直接对应因子模型与时间序列方法。
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…
高维时间序列因子模型载荷矩阵的正则化估计
- 研究问题
- 高维时间序列因子模型参数过多且因子难以解释时，能否通过稀疏载荷同时减少参数数量并改善因子的解释性？
- 方法与思路
- 作者将降维与正则化结合，在载荷矩阵估计中加入惩罚项，使每个因子主要关联较小的序列子集，并研究理论和数值表现。
- 材料陈述的贡献
- 摘要称提出稀疏载荷估计量，研究其理论性质，模拟显示算法表现良好，并以夏威夷旅游数据展示方法应用。
- 阅读关注点
- 核对因子和载荷的识别约定、稀疏惩罚及调参规则，以及理论误差保证；检查解释性改善与拟合、预测表现之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要未说明惩罚形式、理论条件或模拟数值，不能确认对各类因子模型都有效。
原文摘要
High-dimensional data analysis using traditional models suffers from overparameterization. Two types of techniques are commonly used to reduce the number of parameters - regularization and dimension reduction. In this project, we combine them by imposing a sparse factor structure and propose a regularized estimator to further reduce the number of parameters in factor models. A challenge limiting the widespread application of factor models is that factors are hard to interpret, as both factors and the loading matrix are unobserved. To address this, we introduce a penalty term when estimating the loading matrix for a sparse estimate. As a result, each factor only drives a smaller subset of time series that exhibit the strongest correlation, improving the factor interpretability. The theoretical properties of the proposed estimator are investigated. The simulation results are presented to confirm that our algorithm performs well. We apply our method to Hawaii tourism data.