Main Effect Factor Models in High-Dimensional Matrix Time Series: Identification and Sparsity
高维矩阵时间序列主效应因子模型的识别与稀疏性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：摘要直接研究矩阵值时间序列的因子模型，并以就业增长和经济指数作应用。
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
高维矩阵时间序列主效应因子模型的识别与稀疏性
- 研究问题
- 矩阵时间序列中的行列主效应能否采用比和为零更灵活的识别限制，并在因子强度异质时恢复稀疏和稠密结构？
- 方法与思路
- 作者用随平移变化的函数替代传统约束，构造闭式估计及双重自适应融合 Lasso，并用修正 Mallows 统计量选参。
- 材料陈述的贡献
- 摘要称，平移变化性质是参数识别的充要条件，并给出弱异质因子下的收敛率及稀疏、稠密块的一致恢复结果。
- 阅读关注点
- 核对平移变化性质的定义、识别约束如何改变主效应解释，以及因子强度、分块恢复和调参理论的具体条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出完整假设、收敛率表达或经济应用的具体估计结果。
原文摘要
We propose a general identification framework for main effect factor models for matrix-valued time series. The classical sum-to-zero restriction on the row and column main effects is replaced by a broad class of shift-varying functions, which includes weighted averages, quantiles, and reference-unit anchors as special cases. We prove that the shift-varying property is necessary and sufficient for parameter identification, and we derive closed-form estimators under minimal assumptions. Asymptotic convergence rates of all estimated components are derived under weak, heterogeneous factor strengths. Building on this flexible identification, we address sparsity in the main effects by selecting a minimum-based shift-varying function that sets the smallest main effect to zero, and we introduce a doubly adaptive fused Lasso estimator that consistently recovers the true sparse and dense blocks. A modified Mallows's statistic is developed for tuning parameter selection, and the entire procedure is computationally practical via an equivalent generalized lasso formulation. Simulation experiments are performed under a variety of settings, showing our proposed methods work well. Two real applications on employment growth and economic indices are demonstrated to illustrate the empirical value of our approach.