Supervised Factor Modeling for High-Dimensional Linear Time Series
高维线性时间序列的监督因子建模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：摘要明确研究高维 VAR 与响应、预测变量两侧的监督因子结构。
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
高维线性时间序列的监督因子建模
- 研究问题
- 高维无限阶 VAR 能否通过同时约束响应与预测变量方向的低秩结构实现监督因子建模，并兼顾估计误差和计算可行性？
- 方法与思路
- 作者借鉴 Tucker 张量分解施加行列低秩结构，结合弱组稀疏性采用秩约束组 Lasso，并设计带阈值处理的交替梯度下降算法。
- 材料陈述的贡献
- 摘要称，研究分析估计、近似和截断误差，提供非渐近性质及算法统计与收敛保证，并以模拟和两个真实案例展示方法表现。
- 阅读关注点
- 应核对监督因子的定义、平稳性到弱组稀疏性的推导，以及秩与截断阶数选择、误差界条件和算法初始化对收敛的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未列出理论条件、案例数据或优势幅度，也未说明结构冲击识别问题。
原文摘要
Motivated by Tucker tensor decomposition, this paper imposes low-rank structures to the column and row spaces of coefficient matrices in a multivariate infinite-order vector autoregression (VAR), which leads to a supervised factor model with two factor modelings being conducted to responses and predictors simultaneously. Interestingly, the stationarity condition implies an intrinsic weak group sparsity mechanism of infinite-order VAR, and hence a rank-constrained group Lasso estimation is considered for high-dimensional linear time series. Its non-asymptotic properties are discussed thoughtfully by balancing the estimation, approximation and truncation errors. Moreover, an alternating gradient descent algorithm with thresholding is designed to search for high-dimensional estimates, and its theoretical justifications, including statistical and convergence analysis, are also provided. Theoretical and computational properties of the proposed methodology are verified by simulation experiments, and the advantages over existing methods are demonstrated by two real examples.