Diffusion index forecasting with tensor data
张量数据的扩散指数预测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：摘要明确研究张量因子增广预测、潜在因子与预测区间，并应用于美国贸易流。
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
张量数据的扩散指数预测
- 研究问题
- 预测变量兼含张量与非张量数据时，如何保留张量结构、处理不同强度的潜在因子，并构造计入因子估计误差的预测区间？
- 方法与思路
- 作者用 CP 张量因子模型构建因子增广回归，分别研究少量和高维非张量变量，并提出协方差阈值估计及多源稀疏回归。
- 材料陈述的贡献
- 摘要称，研究给出回归渐近性质、计入潜在因子不确定性的预测区间和惩罚估计一致性；美国贸易流应用展示相对比较方法的优势。
- 阅读关注点
- 应核对 CP 因子的识别与强度条件、预测区间如何纳入因子误差，以及横截面依赖下协方差阈值估计和高维稀疏回归的要求。
- 阅读边界
- 仅据所给出版社摘要，维度增长、因子秩和依赖条件未列明；模拟及贸易流应用的优势缺少具体指标，不能推断普遍预测改进。
原文摘要
In this paper, we consider diffusion index forecasting with both tensor and non-tensor predictors, where the tensor structure is preserved with a Canonical Polyadic (CP) tensor factor model. When the number of non-tensor predictors is small, we study the asymptotic properties of the least squares estimator in this tensor factor-augmented regression, allowing for factors with different strengths. We derive an analytical formula for prediction intervals that accounts for the estimation uncertainty of the latent factors. In addition, we propose a novel thresholding estimator for the high-dimensional covariance matrix that is robust to cross-sectional dependence. When the number of non-tensor predictors exceeds or diverges with the sample size, we introduce a multi-source factor-augmented sparse regression model and establish the consistency of the corresponding penalized estimator. Simulation studies validate our theoretical results and an empirical application to U.S. trade flows demonstrates the advantages of our approach over other popular methods in the literature.