Estimation of large approximate dynamic matrix factor models based on the EM algorithm and Kalman filtering
基于 EM 算法与卡尔曼滤波的大型近似动态矩阵因子模型估计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：摘要显式建模因子的时间演化，并应用于欧元区宏观数据，直接对应动态因子模型与时间序列方法。
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
基于 EM 算法与卡尔曼滤波的大型近似动态矩阵因子模型估计
- 研究问题
- 如何在保留矩阵数据结构的同时显式刻画因子的时间演化，并在样本长度和矩阵维度共同增大时可靠估计载荷与因子？
- 方法与思路
- 作者联合使用 EM 算法和卡尔曼平滑器估计模型参数与因子，再扩展至任意缺失模式及共同随机趋势，并开展模拟和实际应用。
- 材料陈述的贡献
- 摘要称证明载荷及因子矩阵在时间长度和两维矩阵规模趋于无穷时的一致性，并展示缺失数据、随机趋势扩展及金融和宏观应用。
- 阅读关注点
- 应核对因子与载荷的归一化、三类维度增长的条件、缺失模式允许范围，以及共同随机趋势如何改变估计步骤和一致性结论。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明增长速度限制、缺失机制条件、算法收敛及模拟误差数值。
原文摘要
This paper considers an approximate dynamic matrix factor model that accounts for the time series nature of the data by explicitly modelling the time evolution of the factors. We study estimation of the model parameters based on the Expectation Maximization (EM) algorithm, implemented jointly with the Kalman smoother which gives estimates of the factors. We establish the consistency of the estimated loadings and factor matrices as the sample size $T$ and the matrix dimensions $p_1$ and $p_2$ diverge to infinity. We then extend this approach to: (a) the case of arbitrary patterns of missing data and (b) the presence of common stochastic trends. The finite sample properties of the estimators are assessed through a large simulation study and two applications on: (i) a financial dataset of volatility proxies and (ii) a macroeconomic dataset covering the main euro area countries.