Long Memory in Intrinsically Dynamic Factor Models
内在动态因子模型中的长记忆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：摘要明确研究广义动态因子模型、长记忆共同成分及时间序列谱密度。
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
内在动态因子模型中的长记忆
- 研究问题
- 当广义动态因子模型允许无限维因子空间及长记忆共同成分时，如何处理谱密度的无界或不连续性并恢复共同成分？
- 方法与思路
- 作者采用双侧共同成分估计，利用主特征空间投影的特征间隙提供尺度缓解，并主要在 L^p 范数下开展估计分析。
- 材料陈述的贡献
- 摘要提出同时容纳无限维因子空间和长记忆共同成分的框架，给出应对谱密度困难的理论思路，并用实验提供支持。
- 阅读关注点
- 应核对长记忆、特征间隙及 L^p 指标的具体限制，共同成分恢复的收敛结论，以及双侧方法对实时应用的要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实。摘要未陈述完整定理、收敛速率和实验数值，不能判断可处理的长记忆范围。
原文摘要
We study the generalized dynamic factor model in a long-memory setting. Unlike most recent work, which assumes a finite-dimensional factor space and short memory, our framework allows the factor space to be infinite-dimensional and the common components to exhibit long memory. We employ the two-sided estimation method of Forni, Hallin, Lippi and Reichlin (2000, Review of Economics and Statistics) to recover the common component. The long memory structure of the common component poses a challenge, as it introduces unboundedness/discontinuity in the spectral density. We address this issue by leveraging two key facts: First, the estimated operator is a projection onto the leading eigenspace and thus the eigengap provides an intrinsic scaling that partially mitigates the blow-up. Second, we perform most of our estimation in $L^p$-norm, rather than pointwise. Experimental results are presented to provide evidence supporting the theory, as well as potential improvements to it.