Inference in matrix-valued time series with common stochastic trends and multifactor error structure
含共同随机趋势与多因子误差结构的矩阵时间序列推断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：摘要直接涉及矩阵时间序列、共同随机趋势及平稳与非平稳因子估计，未限定宏观应用。
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…
含共同随机趋势与多因子误差结构的矩阵时间序列推断
- 研究问题
- 高维矩阵时间序列同时含共同随机趋势和共同平稳因子时，如何估计行列载荷空间、共同成分及因子数，并利用矩阵结构改善精度？
- 方法与思路
- 作者先投影剔除趋势载荷方向，再估计平稳共同成分，随后移除该成分并重新估计趋势及载荷，同时用特征值比率估计因子数。
- 材料陈述的贡献
- 摘要称，直接投影未改善展平估计的收敛率，而三步算法能够改进初始估计；另给出平稳和非平稳共同因子数的一致估计器。
- 阅读关注点
- 应核对矩阵因子的识别规范、趋势与平稳成分的分离条件，以及三步估计的误差传递、收敛率比较和因子数一致性的适用范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明具体收敛率、维度增长条件及有限样本证据。
原文摘要
We develop an estimation methodology for a factor model for high-dimensional matrix-valued time series, where common stochastic trends and common stationary factors can be present. We study, in particular, the estimation of (row and column) loading spaces, of the common stochastic trends and of the common stationary factors, and the row and column ranks thereof. In a set of (negative) preliminary results, we show that a projection-based technique fails to improve the rates of convergence compared to a "flattened" estimation technique which does not take into account the matrix nature of the data. Hence, we develop a three-step algorithm where: (i) we first project the data onto the orthogonal complement to the (row and column) loadings of the common stochastic trends; (ii) we subsequently use such "trend free" data to estimate the stationary common component; (iii) we remove the estimated common stationary component from the data, and re-estimate, using a projection-based estimator, the row and column common stochastic trends and their loadings. We show that this estimator succeeds in refining the rates of convergence of the initial, "flattened" estimator. As a by-product, we develop consistent eigenvalue-ratio based estimators for the number of stationary and nonstationary common factors.