Determining The Number of Factors in Two-Way Factor Model of High-Dimensional Matrix-Variate Time Series: A White-Noise based Method for Serial Correlation Models
高维矩阵时间序列双向因子模型的因子数确定：基于白噪声的方法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：摘要明确研究高维矩阵时间序列的双向因子模型及行列因子数选择。
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
高维矩阵时间序列双向因子模型的因子数确定：基于白噪声的方法
- 研究问题
- 高维矩阵时间序列的双向因子模型中，如何分别确定行与列的因子数，并减轻两类载荷矩阵相互作用对估计准确性的影响？
- 方法与思路
- 作者分离非弱相关序列与弱相关噪声，构造基于白噪声的统计量；再通过变换隔离行或列载荷，以检验统计量的比率序列确定因子数。
- 材料陈述的贡献
- 摘要提出双向因子数选择方法及减轻载荷相互影响的变换，称推导了估计一致性，并通过数值研究考察所提方法的表现。
- 阅读关注点
- 应核对弱相关噪声的定义、白噪声统计量的构造、变换能否隔离载荷，以及一致性所需的维度增长、因子强度与时间依赖条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未提供一致性条件、选择阈值或数值结果，不能判断弱因子下的可靠性。
原文摘要
In this paper, we study a new two-way factor model for high-dimensional matrix-variate time series. To estimate the number of factors in this two-way factor model, we decompose the series into two parts: one being a non-weakly correlated series and the other being a weakly correlated noise. By comparing the difference between two series, we can construct white-noise based signal statistics to determine the number of factors in row loading matrix (column loading matrix). Furthermore, to mitigate the negative impact on the accuracy of the estimation, which is caused by the interaction between the row loading matrix and the column loading matrix, we propose a transformation so that the transformed model only contains the row loading matrix (column loading matrix). We define sequences of ratios of two test statistics as signal statistics to determine the number of factors and derive the consistence of the estimation. We implement the numerical studies to examine the performance of the new methods.