The Sparse Dynamic Factor Model: A Regularised Quasi-Maximum Likelihood Approach
稀疏动态因子模型：正则化准最大似然方法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：摘要直接提出稀疏动态因子模型并用于电力消费预测，分别对应因子模型与预测方向。
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…
稀疏动态因子模型：正则化准最大似然方法
- 研究问题
- 如何在高维时间序列的动态因子模型中提高潜在因子的可解释性，同时估计稀疏载荷结构并用于预测？
- 方法与思路
- 作者约束因子载荷矩阵仅有少量非零元素，提出正则化 M 估计量，并构建高效 EM 算法估计模型参数。
- 材料陈述的贡献
- 摘要称合成实验展示了载荷结构估计的一致性表现及适合低秩结构时的预测优势，并以大量智能电表数据说明应用。
- 阅读关注点
- 应核对稀疏约束与因子归一化、正则化参数选择和 EM 收敛；尤其区分模拟中的一致性表现与正式理论证明。
- 阅读边界
- 所给为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明一致性定理、预测比较数值或优势成立的完整条件。
原文摘要
The concepts of sparsity, and regularised estimation, have proven useful in many high-dimensional statistical applications. Dynamic factor models (DFMs) provide a parsimonious approach to modelling high-dimensional time series, however, it is often hard to interpret the meaning of the latent factors. This paper formally introduces a class of sparse DFMs whereby the loading matrices are constrained to have few non-zero entries, thus increasing interpretability of factors. We present a regularised M-estimator for the model parameters, and construct an efficient expectation maximisation algorithm to enable estimation. Synthetic experiments demonstrate consistency in terms of estimating the loading structure, and superior predictive performance where a low-rank factor structure may be appropriate. The utility of the method is further illustrated in an application forecasting electricity consumption across a large set of smart meters.