Decomposing Co-Movements in Matrix-Valued Time Series: A Pseudo-Structural Reduced-Rank Approach
矩阵值时间序列共同变动的分解：拟结构降秩方法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：摘要直接研究平稳矩阵自回归、同期共同变动及滞后阶数选择，方法核心属于时间序列分析。
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
矩阵值时间序列共同变动的分解：拟结构降秩方法
- 研究问题
- 如何在保留矩阵值时间序列行列结构的同时，分解同期共同变动，并对降秩矩阵自回归模型进行估计、推断与模型选择？
- 方法与思路
- 作者提出平稳降秩矩阵自回归的拟结构框架，将共同变动分为行、列及行列联合成分，并用 BIC 型准则联合选择秩与滞后阶数。
- 材料陈述的贡献
- 摘要称估计量支持标准渐近推断，模拟考察精度、覆盖率和秩选择，包括秩误设情形；九个美国中西部州的劳动市场数据展示不同共同变动模式。
- 阅读关注点
- 应核对平稳性、秩与分解的识别条件、渐近推断要求及 BIC 型准则的性质，并检查秩误设模拟和劳动市场变量的矩阵组织方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出具体理论条件或模拟数值，拟结构分解也不能直接视为因果冲击识别。
原文摘要
A pseudo-structural framework is proposed for analyzing contemporaneous co-movements in stationary reduced-rank matrix autoregressive (RRMAR) models. Unlike conventional vector autoregressive (VAR) models that discard the matrix structure, the formulation preserves it, enabling a decomposition of co-movements into three interpretable components: row-specific, column-specific, and joint (row--column) interactions across the matrix-valued time series. The estimator admits standard asymptotic inference and a BIC-type criterion is proposed for the joint selection of the reduced ranks and the autoregressive lag order. The method's finite-sample performance in terms of estimation accuracy, coverage, and rank selection is validated through simulation experiments, including cases of rank misspecification. Practical usefulness is illustrated through an application to labor market data from nine Midwestern U.S. states, revealing distinct row-, column-, and joint co-movement patterns.