Identification problem and quasi-maximum likelihood estimation for matrix-variate CP-factor models
矩阵值 CP 因子模型的识别问题与准极大似然估计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：摘要明确以矩阵值时间序列为研究对象，用 CP 因子模型刻画低秩结构，并研究其识别和估计，直接涉及因子模型与时间序列。
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
矩阵值 CP 因子模型的识别问题与准极大似然估计
- 研究问题
- 矩阵值时间序列的 CP 因子模型在哪些参数区域可识别，现有估计方法覆盖哪些区域，能否扩大一致估计的适用范围？
- 方法与思路
- 作者结合解析与代数工具划分可识别和不可识别参数区域，并提出准极大似然估计，通过模拟与实际应用考察有限样本表现。
- 材料陈述的贡献
- 摘要称，新方法可在整个可识别区域实现一致估计，而现有方法仅覆盖其一个开真子集；载荷估计还具有更快的收敛速度。
- 阅读关注点
- 应核对可识别区域的精确定义、参数归一化、准似然设定及正则条件，并确认收敛速度比较采用何种维度与样本增长框架。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出识别条件、具体收敛率及应用数据，不能判断所有设定下的优势。
原文摘要
Matrix-valued time series, arising in diverse fields such as economics, neuroscience, and recommender systems, have become increasingly prominent in modern data analysis. Among various modeling frameworks, the matrix-variate CP-factor model represents an important and widely applicable class for capturing low-rank structures in matrix time series. In this paper, we provide a unified treatment for the identification problem of CP factor models using both analytic and algebraic tools. In particular, we characterize the parameter space as the union of two subspaces, one identifiable and the other non-identifiable. We show that existing estimation methods only apply to an open proper subset of the identifiable subspace. In contrast, we propose a quasi-maximum likelihood estimation (QMLE) procedure for CP factor models, which allows consistent estimation on the whole identifiable subspace. Moreover, we show that the estimated loading matrices by QMLE achieve a faster convergence rate compared to existing approaches. A simulation study and a real application are conducted to demonstrate the finite-sample performance of the proposed method.