Factor Model Based Estimation for High Dimensional Reduced-Rank Time Series
基于因子模型的高维降秩时间序列估计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。
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，并以因子模型进行降秩估计与依赖性检验。
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…
基于因子模型的高维降秩时间序列估计
- 研究问题
- 如何联合分析高维多响应时间序列，估计降秩模型的系数矩阵，并利用共同信息检验序列之间的依赖关系？
- 方法与思路
- 作者借助因子模型估计多响应降秩时间序列的系数矩阵，再利用估计因子构造两个高维时间序列依赖性检验统计量。
- 材料陈述的贡献
- 摘要称建立了估计量和检验的渐近结果，模拟显示相对备选方法具有更高检验功效，并以真实数据展示应用。
- 阅读关注点
- 应核对降秩结构与因子结构的关系、维度增长条件、因子估计误差对检验的影响，以及模拟比较的备选方法和设定。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；具体渐近条件、检验对象及真实数据内容未说明，功效优势的适用范围不能据此确定。
原文摘要
High-dimensional time series are very common in reality. Analyzing each series separately may not be a good strategy, as it may miss some important information and result in a less optimal outcome. Even worse, in some cases, it may not even provide an answer to the question of interest. Reduced-rank model is an important tool for joint analysis of high-dimensional multiple-response time series. In this paper, we develop a new and powerful method for estimating the coefficient matrix of a multiple-response reduced-rank time series model based on factor models. With the help of the estimated factors, we also propose two statistics for testing the dependence of high-dimensional time series. Asymptotic results for the proposed estimators and tests are established. Intensive simulation studies show that the proposed procedure is more powerful than its alternatives. We also apply the proposed method to a real dataset to illustrate its usefulness in solving real-life problems.