Sparse Dynamic Factor Models with Loading Selection by Variational Inference
利用变分推断选择载荷的稀疏动态因子模型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：摘要明确研究稀疏动态因子模型和载荷选择，并指出即时预测应用，因此归入因子模型及预测与即时预测。
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
利用变分推断选择载荷的稀疏动态因子模型
- 研究问题
- 面对大型、稀疏且可能有缺失数据的动态因子模型，如何快速选择非零载荷并估计因子，以支持即时预测和频繁更新的分析？
- 方法与思路
- 作者在因子载荷上设置尖峰与厚尾混合先验，借鉴贝叶斯变量选择，通过算法寻找后验分布的局部最优均值场近似。
- 材料陈述的贡献
- 摘要称，算法计算较快，适合即时预测等更新任务；两项模拟实验展示较好的稀疏模式识别以及载荷和因子估计精度。
- 阅读关注点
- 应核对稀疏先验及选择规则、局部最优解对初始化的敏感性、缺失数据处理，以及载荷识别与即时预测表现是否分别验证。
- 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；摘要未给出全局最优或选择一致性保证，也未报告实际即时预测精度。
原文摘要
In this paper we develop a novel approach for estimating large and sparse dynamic factor models using variational inference, also allowing for missing data. Inspired by Bayesian variable selection, we apply slab-and-spike priors onto the factor loadings to deal with sparsity. An algorithm is developed to find locally optimal mean field approximations of posterior distributions, which can be obtained computationally fast, making it suitable for nowcasting and frequently updated analyses in practice. We evaluate the method in two simulation experiments, which show well identified sparsity patterns and precise loading and factor estimation.