Estimation and inference for large-dimensional generalized matrix factor models
高维广义矩阵因子模型的估计与推断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：摘要研究通用矩阵因子方法及企业经营数据，未明确宏观因子或金融资产因子，故不按模型名称强行归类。
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
高维广义矩阵因子模型的估计与推断
- 研究问题
- 面对离散或混合类型的矩阵数据，如何超越线性高斯因子框架，并对行列因子及载荷进行估计、推断和维数选择？
- 方法与思路
- 作者提出支持 logit、probit、Poisson 与 Tobit 响应的非线性矩阵因子模型，以拉格朗日乘子方法保证真值附近的局部凹性。
- 材料陈述的贡献
- 摘要称，方法获得因子与载荷的收敛速率和中心极限定理，允许多维相关，并提供行列因子数选择准则及企业应用。
- 阅读关注点
- 应核对因子与载荷的归一化、局部凹性的构造、相关结构限制，以及维数选择和混合变量比较的具体设定。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，理论条件、比较基准和改善幅度未说明；局部凹性本身也不足以判断全局优化表现。
原文摘要
This article introduces a nonlinear generalized matrix factor model, moving beyond the linear-Gaussian framework to accommodate a broader class of response models typically handled via logit, probit, Poisson, or Tobit structures. We introduce a novel Lagrange multiplier method carefully tailored to ensure that the penalized likelihood function is locally concave around the true factor and loading parameters. This leads to central limit theorems of the estimated factors and loadings which is nontrivial for nonlinear matrix factor modeling. We establish the convergence rates of the estimated factor and loading matrices for the generalized matrix factor model under general conditions that allow for correlations across samples, rows, and columns. We provide a model selection criterion to determine the numbers of row and column factors. Extensive simulation studies demonstrate the superiority in handling discrete and mixed-type variables of the generalized matrix factor model. An empirical data analysis of the company’s operating performance shows that the generalized matrix factor model does clustering and reconstruction well in the presence of discontinuous entries in the data matrix.