Factor models for matrix-valued high-dimensional time series
矩阵值高维时间序列的因子模型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。
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：摘要明确以多国经济指标和多家公司金融特征为矩阵观测例子，并以保留矩阵结构的因子建模为核心。
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…
矩阵值高维时间序列的因子模型
- 研究问题
- 当时间序列观测具有矩阵形式，且行列分别承载相互关联的信息时，如何保留这种结构并获得更有效的降维与因子解释？
- 方法与思路
- 作者提出保留并利用矩阵结构的因子模型，而非先将观测展开为长向量，并研究估计程序及其理论性质。
- 材料陈述的贡献
- 摘要称该模型可实现更大程度的降维，获得更清晰、可解释的因子结构，并通过模拟与真实案例展示估计方法。
- 阅读关注点
- 应核对行列因子的定义、维度选择和识别约束、估计性质成立的条件，以及相对于向量化建模的比较方式。
- 阅读边界
- 仅据所给出版社摘要，无法判断何种矩阵结构能带来实际收益；摘要未说明理论假设、案例细节或降维优势的量化结果。
原文摘要
In finance, economics and many other fields, observations in a matrix form are often observed over time. For example, many economic indicators are obtained in different countries over time. Various financial characteristics of many companies are reported over time. Although it is natural to turn a matrix observation into a long vector then use standard vector time series models or factor analysis, it is often the case that the columns and rows of a matrix represent different sets of information that are closely interrelated in a very structural way. We propose a novel factor model that maintains and utilizes the matrix structure to achieve greater dimensional reduction as well as finding clearer and more interpretable factor structures. Estimation procedure and its theoretical properties are investigated and demonstrated with simulated and real examples.