CP-factorization for high-dimensional tensor time series and double projection iterations
高维张量时间序列的 CP 因子分解与双重投影迭代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：摘要直接研究张量时间序列及其 CP 因子载荷的识别、估计和推断。
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…
高维张量时间序列的 CP 因子分解与双重投影迭代
- 研究问题
- 高维张量时间序列采用 CP 分解时，如何识别和估计因子载荷，并在因子相关、载荷非近似正交及弱因子情形下开展推断？
- 方法与思路
- 作者利用序列依赖构造矩阵并进行一次特征分析，再提出双重投影迭代降低误差，同时估计渐近方差以支持推断。
- 材料陈述的贡献
- 摘要称，方法适应稀疏载荷与弱因子；作者建立迭代估计的改进收敛率、极限分布及一致方差估计，并开展模拟和两项应用。
- 阅读关注点
- 应核对载荷线性独立与其他识别条件、弱因子和稀疏性的定量定义，以及迭代改进所需初值、停止规则和收敛条件。
- 阅读边界
- 这里只依据 Crossref 在线优先版本摘要；未给出具体收敛率、依赖限制或应用数据，不能补推正式刊本变化及普遍优势。
原文摘要
Abstract We adopt the canonical polyadic (CP) decomposition to model high-dimensional tensor time series. Our primary goal is to identify and estimate the factor loadings in the CP decomposition. We propose a one-pass estimation procedure through standard eigen-analysis for a matrix constructed based on the serial dependence structure of the data. The asymptotic properties of the proposed estimator are established under a general setting as long as the factor loading vectors are linearly independent, allowing the factors to be correlated and the factor loading vectors to be not nearly orthogonal. The procedure adapts to the sparsity of the factor loading vectors, accommodates weak factors, and demonstrates strong performance across a wide range of scenarios. To further reduce estimation errors, we also introduce an iterative algorithm based on a novel double projection approach. We theoretically justify the improved convergence rate of the iterative estimator, and derive the associated limiting distribution. A consistent estimator of the asymptotic variance is also provided, which plays a key role in the related inference problems. All results are validated through extensive simulations and two real data applications.