Bayesian Dynamic Factor Models for High-Dimensional Matrix-Valued Time Series
高维矩阵值时间序列的贝叶斯动态因子模型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。
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：摘要明确研究动态因子时间序列，并在 OECD 宏观数据上评估样本外预测。
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
高维矩阵值时间序列的贝叶斯动态因子模型
- 研究问题
- 论文研究如何利用矩阵值时间序列的行列结构，在高维环境下同时刻画动态因子、截面相关、随机波动和异常观测并进行预测。
- 方法与思路
- 作者构造含自回归因子和 Kronecker 协方差的贝叶斯模型，用 Gibbs 抽样估计，并以交叉熵重要性抽样估计边际似然。
- 材料陈述的贡献
- 摘要称统一选择因子维度、向量或矩阵结构及特异项设定；OECD 宏观应用中，相对静态矩阵因子基准获得显著样本外预测改善。
- 阅读关注点
- 应核对因子和载荷识别、随机波动与异常值建模、边际似然估计稳定性，以及预测评估窗口、比较基准与显著性检验。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未提供具体预测增益、因子维度或对其他动态基准的比较。
原文摘要
We introduce a class of Bayesian dynamic factor models for matrix-valued time series, with autoregressive factor dynamics and idiosyncratic components that allow stochastic volatility, outliers, and a Kronecker-structured covariance capturing cross-row and cross-column correlation. Exploiting the matrix structure, we make these richly parameterized models tractable in high dimensions and develop an efficient Gibbs sampler for estimation. For model comparison, we propose a unified approach based on the cross-entropy importance-sampling estimator of the marginal likelihood, which under a common criterion selects the factor dimension, a vector versus matrix structure, and the idiosyncratic specification. Monte Carlo experiments confirm that the estimator reliably recovers the true model. In an application to an OECD macroeconomic panel of 190 time series, the data favor both cross-sectional correlation and stochastic volatility, and the model delivers statistically significant out-of-sample forecast gains over a static matrix factor benchmark.