Threshold factor models for high-dimensional time series
高维时间序列的门限因子模型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。
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：摘要直接研究高维时间序列因子模型，以及门限切换引起的因子载荷结构变化。
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…
高维时间序列的门限因子模型
- 研究问题
- 当高维时间序列随门限变量切换状态、因子载荷也随之变化时，如何估计各状态的因子结构并确定状态切换机制？
- 方法与思路
- 作者假设各门限状态内服从因子模型，由门限机制引起载荷矩阵变化，并提出载荷空间、因子数量、门限值及门限变量的估计程序。
- 材料陈述的贡献
- 摘要将门限建模扩展至高维因子结构，称研究了相关程序的理论性质，并用模拟与真实数据例子展示方法的表现。
- 阅读关注点
- 应核对不同状态的可区分性、门限变量的识别与选择、因子数量和载荷空间的估计条件，以及理论结果对弱状态差异的适用性。
- 阅读边界
- 解读限于所给出版社摘要；摘要未说明状态识别的具体条件、估计收敛速度或真实数据结果，不能据此判断方法的普遍优势。
原文摘要
We consider a threshold factor model for high-dimensional time series in which the dynamics of the time series is assumed to switch between different regimes according to the value of a threshold variable. This is an extension of threshold modeling to a high-dimensional time series setting under a factor structure. Specifically, within each threshold regime, the time series is assumed to follow a factor model. The regime switching mechanism creates structural changes in the factor loading matrices. It provides flexibility in dealing with situations that the underlying states may be changing over time, as often observed in economic time series and other applications. We develop the procedures for the estimation of the loading spaces, the number of factors and the threshold value, as well as the identification of the threshold variable, which governs the regime change mechanism. The theoretical properties are investigated. Simulated and real data examples are presented to illustrate the performance of the proposed method.