Two-way dynamic factor models for high-dimensional matrix-valued time series
高维矩阵值时间序列的双向动态因子模型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。
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：摘要明确提出用于高维矩阵值时间序列的动态因子模型，直接对应因子模型和时间序列。
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…
高维矩阵值时间序列的双向动态因子模型
- 研究问题
- 如何在高维矩阵值时间序列中，同时刻画行、列属性的低维效应与相关性，并保证模型可识别且能够准确估计？
- 方法与思路
- 作者提出采用加性行因子与列因子的双向动态因子模型，以提高解释便利性，并使用基于准似然的两步参数估计。
- 材料陈述的贡献
- 摘要称给出识别条件；当矩阵维度与时间长度共同增长时，估计量达到最优收敛速率并渐近正态，另有模拟和空气质量应用。
- 阅读关注点
- 应核对加性因子结构、识别约束、两步估计及维度增长关系，尤其查看最优速率的比较范围和应用中的模型适配性。
- 阅读边界
- 仅据所给 Crossref 摘要；最优速率的条件与比较类别未说明，不能据此断言优于所有动态因子模型或具有更佳预测表现。
原文摘要
Abstract In this article, we introduce a two-way dynamic factor model (2w-DFM) for high-dimensional matrix-valued time series and study some of the basic theoretical properties in terms of identifiability and estimation accuracy. The proposed model aims to capture separable and low-dimensional effects of row and column attributes and their correlations across rows, columns, and time points. Complementary to other dynamic factor models for high-dimensional data, the 2w-DFM inherits the dimension-reduction feature of factor models but assumes additive row and column factors for easier interpretability. We provide conditions to ensure model identifiability and consider a quasi-likelihood based two-step method for parameter estimation. Under an asymptotic regime where the size of the data matrices as well as the length of the time series increase, we establish that the estimators achieve the optimal rate of convergence and are asymptotically normal. The asymptotic properties are reaffirmed empirically through simulation studies. An application to air quality data in Chinese cities is given to illustrate the merit of the 2w-DFM.