Generalized Principal Component Analysis for Large-dimensional Matrix Factor Model
大维矩阵因子模型的广义主成分分析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：摘要直接研究大维矩阵时间序列的因子模型与主成分估计。
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
大维矩阵因子模型的广义主成分分析
- 研究问题
- 在大维矩阵时间序列中，如何把特异成分的异方差纳入因子估计，并处理相关协方差矩阵未知带来的影响？
- 方法与思路
- 作者从伪似然出发提出广义主成分分析，先分析可分离协方差已知的情形，再用自适应阈值方法估计协方差。
- 材料陈述的贡献
- 摘要称给出了估计量的渐近分布和协方差估计收敛率，并在特定稀疏性与异方差条件下获得效率优势。
- 阅读关注点
- 应核对可分离协方差结构、稀疏性及异方差条件，尤其是估计协方差为何不改变极限分布及效率比较的范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列明具体正则条件、效率提升幅度与金融应用结果。
原文摘要
Matrix factor models have been growing popular dimension reduction tools for large-dimensional matrix time series. However, the heteroscedasticity of the idiosyncratic components has barely received any attention. Starting from the pseudo likelihood function, this paper introduces a Generalized Principal Component Analysis (GPCA) method for matrix factor model which takes the heteroscedasticity into account. Theoretically, we first derive the asymptotic distributions of the GPCA estimators by assuming the separable covariance matrices are known in advance. We then propose adaptive thresholding estimators for the separable covariance matrices and derive their convergence rates, which is of independent interest. We also show that this would not alter the asymptotic distributions of the GPCA estimators under certain regular sparsity conditions in the high-dimensional covariance matrix estimation literature. The GPCA estimators are shown to be more efficient than the state-of-the-art methods under certain heteroscedasticity conditions. Thorough numerical studies are conducted to demonstrate the superiority of our method over the existing approaches. Analysis of a financial portfolio dataset illustrates the empirical usefulness of the proposed method.