Reduced-Rank Autoregressive Models for Matrix Time Series
矩阵时间序列的降秩自回归模型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：摘要明确研究矩阵时间序列的自回归建模、估计与秩选择，直接对应时间序列；未提供金融因子或宏观冲击分析的依据。
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…
矩阵时间序列的降秩自回归模型
- 研究问题
- 矩阵自回归已经保留行列结构，但高维系数矩阵仍造成估计困难；能否通过系数降秩进一步减少维度并提升统计效率？
- 方法与思路
- 作者在矩阵自回归模型的系数矩阵上施加降秩约束，研究参数估计和秩选择程序，并通过理论分析与实证例子评价其效果。
- 材料陈述的贡献
- 摘要称降秩约束能在保留矩阵结构的同时进一步降低维度，理论研究及实证例子显示其统计效率可高于原矩阵自回归模型。
- 阅读关注点
- 应核对降秩参数化的识别与归一化、秩选择规则、估计理论的维度条件，以及效率比较针对的参数、损失和模型设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明具体渐近条件、秩选择保证、应用数据及效率改善幅度，不能推广为普遍优势。
原文摘要
Matrix time series is a series of matrix data observed over time. Analytical tools for such time series is needed in many applications in finance, economics, engineering and many other fields. To avoid the use of vectorization of the matrices which loses the column and row information, and the vector autoregression framework in traditional time series analysis, \cite{chen2021autoregressive} proposed the Matrix Autoregressive (MAR) Model. The model maintains and utilizes the matrix structure, leading to a substantial dimensional reduction and admitting explicit interpretations, comparing with the vector autoregressive model on the vectorized data. However, the MAR model still encounters difficulties in dealing with large dimensional matrix time series as the coefficient matrices in MAR models are also large. In this paper we propose to achieve further dimension reduction through reduced-rank constraints of the coefficient matrices in the MAR model. Estimation and rank determination procedures are studied. Theoretical investigation and empirical examples show that the reduced-rank constraint can achieve higher statistical efficiency than the MAR model.