Identifying the Structure of High-Dimensional Time Series via Eigen-Analysis
通过特征值分析识别高维时间序列结构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：摘要直接研究高维时间序列的平稳性与因子结构，并分析美国房价、收入和部门就业等宏观相关序列。
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…
通过特征值分析识别高维时间序列结构
- 研究问题
- 面对同时具有横截面依赖与非平稳时间依赖的高维序列，如何依据因子结构和平稳性识别其所属的四类结构？
- 方法与思路
- 作者提出三步程序，依次使用样本协方差特征值比率、投影后的 ADF 检验，以及基于最大经验特征值的新单位根检验。
- 材料陈述的贡献
- 摘要称建立三类统计量的渐近性质以支持整体识别程序，并通过模拟及死亡率、房价收入和就业数据展示其应用。
- 阅读关注点
- 应核对四类结构的具体定义、维度与时间长度的渐近关系，以及各步骤的误判是否影响后续检验和整体识别。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要。四类结构的完整条件、检验阈值与整体错误控制未说明，不能推断其预测能力。
原文摘要
Cross-sectional structures and temporal tendency are important features of high-dimensional time series. Based on eigen-analysis on sample covariance matrices, we propose a novel approach to identifying four popular structures of high-dimensional time series, which are grouped in terms of factor structures and stationarity. The proposed three-step method includes a ratio statistic of empirical eigenvalues;a projected Augmented Dickey-Fuller Test;a new unit-root test based on the largest empirical eigenvalues.We develop asymptotic properties for these three statistics to ensure the feasibility of the whole identifying procedure. Finite sample performances are illustrated via various simulations. We also analyze U.S. mortality data, U.S. house prices and income, and U.S. sectoral employment, all of which possess cross-sectional dependence and nonstationary temporal dependence. It is worth mentioning that we also contribute to statistical justification for the benchmark paper by Lee and Carter in mortality forecasting. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.