Tail-robust factor modelling of vector and tensor time series in high dimensions
高维向量与张量时间序列的重尾稳健因子建模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：摘要明确研究时间序列因子模型，并提供两个宏观经济数据集的应用。
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…
高维向量与张量时间序列的重尾稳健因子建模
- 研究问题
- 高维向量和张量时间序列中，重尾导致的极端观测会影响因子估计；如何在较弱矩条件下估计因子结构并确定因子数量？
- 方法与思路
- 作者将数据截断与两步张量分解结合，避免迭代数值搜索，在仅要求存在略高于二阶矩的设定下研究估计量的渐近性质。
- 材料陈述的贡献
- 摘要称，作者建立一致性和渐近正态性，刻画收敛速率对尾部矩条件及截断水平的依赖，并提出一致的因子数量选择准则。
- 阅读关注点
- 应核对截断水平的选择、时间依赖与因子强度条件、向量和张量情形的差异，以及宏观数据应用中的比较方法和评价指标。
- 阅读边界
- 仅据所给 Crossref 摘要；具体依赖条件、维度增长限制及截断参数选择未说明，不能把较弱矩要求理解为不需要其他假设。
原文摘要
Summary We study the problem of factor modelling vector- and tensor-valued time series in the presence of heavy tails in the data, which produce extreme observations with nonnegligible probability. We propose combining a two-step procedure for tensor decomposition with data truncation, which is easy to implement and does not require an iterative search for a numerical solution. Departing from the light-tail assumptions often adopted in the time series factor-modelling literature, we derive the consistency and asymptotic normality of the proposed estimators while assuming the existence of the $ (2\,+\,2\epsilon) $th moment only, for some $ \epsilon\in(0,1) $. Our rates explicitly depend on $ \epsilon $, characterizing the effect of heavy tails and the chosen level of truncation. We also propose a consistent criterion for determining the number of factors. Simulation studies and applications to two macroeconomic datasets demonstrate the strong performance of the proposed estimators.