High-Dimensional Vector Autoregression with Common Response and Predictor Factors
具有共同响应与预测因子的高维向量自回归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：摘要明确提出因子结构的高维 VAR，并将其用于宏观数据的结构分析和预测。
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…
具有共同响应与预测因子的高维向量自回归
- 研究问题
- 在高维向量自回归中，如何进一步利用响应变量与预测变量共享的因子结构，改善模型解释和参数估计效率？
- 方法与思路
- 作者提出共同响应与预测因子的 VAR，结合张量运算、正则化和梯度下降，并考虑响应变换及载荷稀疏结构。
- 材料陈述的贡献
- 摘要称建立了算法与统计收敛保证，可扩展至任意有限阶 VAR，并通过模拟和宏观应用展示结构分析及预测用途。
- 阅读关注点
- 应核对共同因子的识别限制、秩与正则化选择、梯度下降收敛条件，以及响应变换对结构解释和预测的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明收敛速率、结构分析的识别条件或实际预测增益。
原文摘要
The reduced-rank vector autoregressive (VAR) model can be interpreted as a supervised factor model, where two factor modelings are simultaneously applied to response and predictor spaces. This article introduces a new model, called vector autoregression with common response and predictor factors, to explore further the common structure between the response and predictors in the VAR framework. The new model can provide better physical interpretations and improve estimation efficiency. In conjunction with the tensor operation, the model can easily be extended to any finite-order VAR model. A regularization-based method is considered for the high-dimensional estimation with the gradient descent algorithm, and its computational and statistical convergence guarantees are established. For data with pervasive cross-sectional dependence, a transformation for responses is developed to alleviate the diverging eigenvalue effect. Moreover, we consider additional sparsity structure in factor loading for the case of ultra-high dimension. Simulation experiments confirm our theoretical findings and a macroeconomic application showcases the appealing properties of the proposed model in structural analysis and forecasting.