Dynamic Matrix Factor Models for High Dimensional Time Series
高维时间序列的动态矩阵因子模型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。
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：摘要直接涉及矩阵时间序列、潜在因子降维与动态预测，对应时间序列、因子模型和预测方向。
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…
高维时间序列的动态矩阵因子模型
- 研究问题
- 高维矩阵时间序列的因子模型能够降维，但若潜在因子缺少动态结构，如何赋予模型预测能力并描述低维潜在过程的演化？
- 方法与思路
- 作者提出双成分动态矩阵因子模型，在低维潜在因子过程中引入矩阵自回归结构，并给出估计程序、理论分析、模拟与出租车数据案例。
- 材料陈述的贡献
- 摘要称，新模型为标准矩阵因子框架加入预测能力，提供估计方法及其理论性质，并通过模拟和纽约出租车数据展示性能与实用性。
- 阅读关注点
- 应核对两个成分的定义、矩阵自回归与载荷的识别、维数选择及理论条件，并检查预测评估是否采用合适的样本外比较。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未列出理论结论、预测指标及比较数值，不能据此认定优于其他预测模型。
原文摘要
Matrix time series, which consist of matrix-valued data observed over time, are prevalent in various fields such as economics, finance, and engineering. Such matrix time series data are often observed in high dimensions. Matrix factor models are employed to reduce the dimensionality of such data, but they lack the capability to make predictions without specified dynamics in the latent factor process. To address this issue, we propose a two-component dynamic matrix factor model that extends the standard matrix factor model by incorporating a matrix autoregressive structure for the low-dimensional latent factor process. This two-component model injects prediction capability to the matrix factor model and provides deeper insights into the dynamics of high-dimensional matrix time series. We present the estimation procedures of the model and their theoretical properties, as well as empirical analysis of the estimation procedures via simulations, and a case study of New York city taxi data, demonstrating the performance and usefulness of the model.