Reduced-Rank Matrix Autoregressive Models: A Medium $N$ Approach
降秩矩阵自回归模型：面向中等维度的方法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：摘要直接研究经济矩阵时间序列的降秩自回归及共同变动结构。
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
降秩矩阵自回归模型：面向中等维度的方法
- 研究问题
- 当经济时间序列以矩阵形式观测、不同维度具有不同共同变动结构时，如何识别各维度内部及维度之间的共同变动？
- 方法与思路
- 作者为系数矩阵引入张量结构的降秩回归，并将所得共同变动结构与序列相关共同特征模型及指数模型联系，辅以经济数据应用。
- 材料陈述的贡献
- 摘要称，新工具能够揭示矩阵时间序列各维度内外的共同变动，并通过美国州级数据以及欧元区、北美国家经济指标展示用途。
- 阅读关注点
- 应核对张量系数与降秩限制的含义、不同维度共同变动的解释，以及模型与共同特征和指数模型的关系、秩选择及估计方式。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未说明识别条件、估计理论或预测比较，不能据此认定该模型更准确或更具因果解释。
原文摘要
Reduced-rank regressions are powerful tools used to identify co-movements within economic time series. However, this task becomes challenging when we observe matrix-valued time series, where each dimension may have a different co-movement structure. We propose reduced-rank regressions with a tensor structure for the coefficient matrix to provide new insights into co-movements within and between the dimensions of matrix-valued time series. Moreover, we relate the co-movement structures to two commonly used reduced-rank models, namely the serial correlation common feature and the index model. Two empirical applications involving U.S.\ states and economic indicators for the Eurozone and North American countries illustrate how our new tools identify co-movements.