Diffusion Index Forecasting with Tensor Data
基于张量数据的扩散指数预测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：摘要以张量因子模型开展扩散指数预测，并应用于美国贸易流，直接对应因子模型和宏观预测两个方向，未明确涉及即时预测。
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
基于张量数据的扩散指数预测
- 研究问题
- 研究如何同时利用张量与非张量预测变量进行扩散指数预测，并处理因子强度差异、潜在因子估计误差及高维协方差问题。
- 方法与思路
- 作者用 CP 张量因子模型保留数据结构，分析因子增广回归；非张量变量较多时，转向多来源因子增广稀疏回归。
- 材料陈述的贡献
- 摘要称推导了计入因子估计不确定性的预测区间，提出适应截面依赖的协方差阈值估计，并建立惩罚估计的一致性。
- 阅读关注点
- 应核对张量因子识别与强度条件、各维度增长要求、预测区间的覆盖保证，以及美国贸易流应用的预测任务和比较设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未提供具体误差指标、比较数值及适用条件，不能认定其普遍优于其他预测方法。
原文摘要
In this paper, we consider diffusion index forecasting with both tensor and non-tensor predictors, where the tensor structure is preserved with a Canonical Polyadic (CP) tensor factor model. When the number of non-tensor predictors is small, we study the asymptotic properties of the least squares estimator in this tensor factor-augmented regression, allowing for factors with different strengths. We derive an analytical formula for prediction intervals that accounts for the estimation uncertainty of the latent factors. In addition, we propose a novel thresholding estimator for the high-dimensional covariance matrix that is robust to cross-sectional dependence. When the number of non-tensor predictors exceeds or diverges with the sample size, we introduce a multi-source factor-augmented sparse regression model and establish the consistency of the corresponding penalized estimator. Simulation studies validate our theoretical results and an empirical application to U.S. trade flows demonstrates the advantages of our approach over other popular methods in the literature.