An algebraic estimator for large spectral density matrices
大型谱密度矩阵的代数估计量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：摘要明确以动态因子模型的低秩加稀疏谱结构为基础，并分析美国宏观时间序列数据。
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
大型谱密度矩阵的代数估计量
- 研究问题
- 当高维时间序列的谱密度具有低秩加稀疏结构时，如何同时估计谱矩阵并恢复潜在秩与残差稀疏模式？
- 方法与思路
- 作者提出 UNALSE，以平滑周期图为输入，在核范数与 l₁ 范数约束下最小化二次损失，并讨论两个阈值参数的选择。
- 材料陈述的贡献
- 摘要称在维度和样本量共同增长时证明一致性及秩、稀疏模式恢复性质，并通过扩展模拟与美国宏观数据展示有限样本表现。
- 阅读关注点
- 应核对维度与样本量增长关系、频率处理及阈值选择条件，尤其明确概率一恢复结论的含义、范围和适用极限。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出收敛速率及完整假设，不能将渐近恢复理解为有限样本保证。
原文摘要
We propose a new estimator of high-dimensional spectral density matrices, called UNshrunk ALgebraic Spectral Estimator (UNALSE), under the assumption of an underlying low rank plus sparse structure, as typically assumed in dynamic factor models. The UNALSE is computed by minimizing a quadratic loss under a nuclear norm plus $l_1$ norm constraint to control the latent rank and the residual sparsity pattern. The loss function requires as input the classical smoothed periodogram estimator and two threshold parameters, the choice of which is thoroughly discussed. We prove consistency of UNALSE as both the dimension $p$ and the sample size $T$ diverge to infinity, as well as algebraic consistency, i.e., the recovery of latent rank and residual sparsity pattern with probability one. The finite sample properties of UNALSE are studied by means of an extended simulation exercise as well as an empirical analysis of US macroeconomic data.