Modelling multiple time series via common factors
通过共同因子建模多元时间序列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：摘要直接研究多元时间序列的共同因子估计，并明确涉及非平稳性。
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…
通过共同因子建模多元时间序列
- 研究问题
- 如何估计多条时间序列的不可观测共同因子，并使方法覆盖某些非平稳序列，同时降低因子识别的优化难度。
- 方法与思路
- 作者通过逐步扩张白噪声空间识别非平稳因子，将高维优化分解为多个低维子问题，并研究估计的渐近性质。
- 材料陈述的贡献
- 摘要称提出了适用于某些非平稳时间序列的共同因子估计方法，并用模拟和真实数据展示该方法的运用。
- 阅读关注点
- 应核对白噪声空间与因子的识别关系、允许的非平稳类型、因子数量处理，以及低维分解算法和渐近结论的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；非平稳适用范围和具体渐近结果未说明，不能推广到所有非平稳因子模型。
原文摘要
We propose a new method for estimating common factors of multiple time series. One distinctive feature of the new approach is that it is applicable to some nonstationary time series. The unobservable, nonstationary factors are identified by expanding the white noise space step by step, thereby solving a high-dimensional optimization problem by several low-dimensional sub-problems. Asymptotic properties of the estimation are investigated. The proposed methodology is illustrated with both simulated and real datasets.