Matrix Quantile Factor Model
矩阵分位数因子模型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：摘要以分位数（检验损失）方法估计低秩因子结构，直接对应分位数与分布效应及因子模型两个方向。
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…
矩阵分位数因子模型
- 研究问题
- 摘要称，本文研究具有低秩结构的矩阵值数据，如何估计其行因子空间与列因子空间，并确定行、列因子个数。
- 方法与思路
- 作者提出矩阵分位数因子模型，通过最小化带正交旋转约束的经验检验损失函数来估计行、列因子空间；为建立中心极限定理，引入增广拉格朗日函数，证明其海森矩阵局部正定，从而得到得分函数的二阶展开。
- 材料陈述的贡献
- 摘要称估计量在平均 Frobenius 范数下以 (min{p1p2,p2T,p1T})^{-1/2} 收敛，快于将矩阵展平为长向量后的分位数估计；并给出三个相合准则确定行、列因子数，附有模拟与实证。
- 阅读关注点
- 应核对低秩与分位数设定下的识别条件、正交旋转约束的具体形式、增广拉格朗日等价性的证明细节、局部正定所需假设，以及三个因子数准则的构造与相合性条件。
- 阅读边界
- 摘要未说明误差分布假设、因子与载荷的具体识别限制、平滑估计的具体形式、模拟设计细节与实证数据来源，也未给出有限样本表现与准则的比较结果。
原文摘要
This paper introduces a matrix quantile factor model for matrix-valued data with low-rank structure. We estimate the row and column factor spaces via minimizing the empirical check loss function with orthogonal rotation constraints. We show that the estimates converge at rate (min{p1p2,p2T,p1T})−1/2 in the average Frobenius norm, where p1, p2 and T are the row dimensionality, column dimensionality and length of the matrix sequence, respectively. This rate is faster than that of the quantile estimates via “flattening" the matrix model into a large vector model. To establish the central limit theorem, we introduce a tricky augmented Lagrangian function, which is equivalent to the original constrained empirical check loss minimization problem. Via the equivalence, we prove that the Hessian matrix of the augmented Lagrangian function is locally positive definite, resulting in a locally convex penalized loss function around the true factors and their loadings. This easily leads to a feasible second-order expansion of the score function and readily established central limit theorems of the smoothed estimates of the loadings. We provide three consistent criteria to determine the pair of row and column factor numbers. Extensive simulation studies and an empirical study justify our theory.