Multivariate spatiotemporal models with low rank coefficient matrix
具有低秩系数矩阵的多元时空模型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：摘要以空间影响矩阵刻画跨单位相互依赖，并联合建模时间动态，因此对应网络依赖与时间序列方法。
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…
具有低秩系数矩阵的多元时空模型
- 研究问题
- 多元时空数据同时存在跨单位、跨时间和跨变量依赖时，如何联合建模，并通过空间影响矩阵的低秩结构降维？
- 方法与思路
- 作者提出多元降秩时空模型，用准极大似然估计处理模型内生性，并以岭型比率估计量选择空间影响矩阵的秩。
- 材料陈述的贡献
- 摘要称建立了准极大似然估计的渐近分布和秩选择一致性，并通过模拟、股票市场及空气污染数据展示方法。
- 阅读关注点
- 应核对空间影响矩阵的含义、低秩约束的识别作用，以及准似然设定、秩选择规则和各维度的渐近安排。
- 阅读边界
- 仅依据所给 RePEc 出版社摘要；内生性的具体来源、低秩条件与应用结果未说明，不能推断其他版本变化。
原文摘要
Multivariate spatiotemporal data arise frequently in practical applications, often involving complex dependencies across cross-sectional units, time points and multivariate variables. In the literature, few studies jointly model the dependence in three dimensions. To simultaneously model the cross-sectional, dynamic and cross-variable dependence, we propose a multivariate reduced-rank spatiotemporal model. By imposing the low-rank assumption on the spatial influence matrix, the proposed model achieves substantial dimension reduction and has a nice interpretation, especially for financial data. Due to the innate endogeneity, we propose the quasi-maximum likelihood estimator (QMLE) to estimate the unknown parameters. A ridge-type ratio estimator is also developed to determine the rank of the spatial influence matrix. We establish the asymptotic distribution of the QMLE and the rank selection consistency of the ridge-type ratio estimator. The proposed methodology is further illustrated via extensive simulation studies and two applications to a stock market dataset and an air pollution dataset.