Quasi Maximum Likelihood Estimation for Large-Dimensional Matrix Factor Models
高维矩阵因子模型的准最大似然估计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。
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：摘要明确研究矩阵因子模型，并以金融和宏观经济数据展示行列因子结构，支持两个因子分类。
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
高维矩阵因子模型的准最大似然估计
- 研究问题
- 在高维矩阵因子模型中，如何同时估计因子结构与特质误差的异方差，并建立估计量的收敛与推断理论？
- 方法与思路
- 作者提出准最大似然估计，联合估计误差异方差与其他参数，推导收敛率和渐近分布，并进行模拟及金融、宏观应用。
- 材料陈述的贡献
- 摘要称，同方差时该方法包含投影估计量作为特例；数值实验中尤其在异方差存在时表现更好，并提取有解释性的行列因子。
- 阅读关注点
- 应核对矩阵因子的识别规范、误差协方差结构、渐近增长条件，以及与主成分和投影估计量比较时的设定。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，所谓温和条件的内容和优势幅度均未说明，不能推广为普遍优越或推断其他版本变化。
原文摘要
In this study, we introduce a novel approach, called the quasi maximum likelihood estimation (Q-MLE), for estimating large-dimensional matrix factor models. In contrast to the principal component analysis based approach, Q-MLE considers the heteroscedasticity of the idiosyncratic error term, the heteroscedasticity of which is simultaneously estimated with other parameters. Interestingly, under the homoscedasticity assumption of the idiosyncratic error, the Q-MLE estimator encompassed the projected estimator (PE) as a special case. We provide the convergence rates and asymptotic distributions of the Q-MLE estimators under mild conditions. Extensive numerical experiments demonstrate that the Q-MLE method performs better, especially when heteroscedasticity exists. Furthermore, two real examples in finance and macroeconomics reveal factor patterns across rows and columns, which coincide with financial, economic, or geographical interpretations.