High dimensional stochastic regression with latent factors, endogeneity and nonlinearity
含潜在因子、内生性与非线性的高维随机回归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：摘要明确研究高维多变量时间序列中的潜在序列相关因子、载荷空间与非平稳性，支持因子模型和时间序列分类。
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
含潜在因子、内生性与非线性的高维随机回归
- 研究问题
- 在高维序列、解释变量和潜在因子可非平稳，且解释变量与因子相关时，如何估计回归关系和潜在因子结构？
- 方法与思路
- 作者将高维过程分解为观测变量回归、潜在序列相关因子和白噪声，并用大量线性回归变量近似非线性回归部分。
- 材料陈述的贡献
- 摘要称在序列维度和回归变量数随样本增长时，建立回归系数、因子数量、载荷空间及因子估计的收敛速度。
- 阅读关注点
- 应核对内生性处理的识别依据、允许的非平稳类型、维度增长限制，以及非线性近似误差与因子估计误差的关系。
- 阅读边界
- 仅据所给出版社摘要，无法判断方法可处理的全部内生性或非平稳情形；不要求平稳仍可能需要其他识别和增长条件。
原文摘要
We consider a multivariate time series model which represents a high dimensional vector process as a sum of three terms: a linear regression of some observed regressors, a linear combination of some latent and serially correlated factors, and a vector white noise. We investigate the inference without imposing stationary conditions on the target multivariate time series, the regressors and the underlying factors. Furthermore we deal with the endogeneity that there exist correlations between the observed regressors and the unobserved factors. We also consider the model with nonlinear regression term which can be approximated by a linear regression function with a large number of regressors. The convergence rates for the estimators of regression coefficients, the number of factors, factor loading space and factors are established under the settings when the dimension of time series and the number of regressors may both tend to infinity together with the sample size. The proposed method is illustrated with both simulated and real data examples.