Statistical Inference for High-dimensional Matrix-variate Factor Models with Missing Observations
缺失观测下高维矩阵值因子模型的统计推断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：摘要明确研究高维因子模型、主成分载荷估计与因子提取，直接对应因子模型细分，但未提供具体宏观经济应用的证据。
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…
缺失观测下高维矩阵值因子模型的统计推断
- 研究问题
- 研究高维矩阵值数据存在缺失观测时，如何估计行列载荷与共同因子，并建立适用于不同缺失模式的一致性和收敛速率理论。
- 方法与思路
- 作者先对两个重新加权的协方差矩阵进行主成分分析以估计行列载荷，再结合载荷与矩阵数据提取因子，并开展模拟和数据应用。
- 材料陈述的贡献
- 摘要称提出简便的两步估计方法，建立一般条件和缺失模式下的渐近理论；模拟用于考察渐近结果对有限样本性质的近似。
- 阅读关注点
- 应核对缺失机制及观测概率要求、加权协方差的构造、载荷和因子的识别规范，以及标题中的统计推断具体包含哪些结果。
- 阅读边界
- 这是arXiv预印本，同行评审、期刊接收及刊本变化未核验；摘要未列明缺失条件、收敛速率或推断分布，应用数据也未详述。
原文摘要
This paper develops an inferential theory for high-dimensional matrix-variate factor models with missing observations. We propose an easy-to-use all-purpose method that involves two straightforward steps. First, we perform principal component analysis on two re-weighted covariance matrices to obtain the row and column loadings. Second, we utilize these loadings along with the matrix-variate data to derive the factors. We develop an inferential theory that establishes the consistency and the rate of convergence under general conditions and missing patterns. The simulation results demonstrate the adequacy of the asymptotic results in approximating the properties of a finite sample. Finally, we illustrate the application of our method using a real numerical dataset.