Supervised factor modeling for high-dimensional linear time series
高维线性时间序列的监督因子建模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：摘要以无限阶向量自回归构造监督因子模型，并应用美国季度宏观变量，直接对应宏观因子与时间序列。
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…
高维线性时间序列的监督因子建模
- 研究问题
- 如何在高维无限阶向量自回归中同时压缩响应与预测变量的信息，并兼顾低秩结构、滞后截断和可计算的估计方法？
- 方法与思路
- 作者对系数矩阵的行列空间施加低秩结构，构造双重监督因子模型，采用秩约束组 Lasso，并设计带硬阈值的交替梯度下降算法。
- 材料陈述的贡献
- 摘要称，平稳性蕴含弱组稀疏机制；论文分析估计、逼近与截断误差，提供算法统计及收敛依据，并以模拟和美国宏观数据检验表现。
- 阅读关注点
- 应核对监督因子的定义、平稳性与弱组稀疏的关系，以及秩、截断阶数、惩罚参数和算法初始化对误差与收敛的影响。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；低秩与平稳条件、算法收敛范围及比较基准细节未说明，不能据此认定全局最优或推断刊本变化。
原文摘要
Motivated by Tucker tensor decomposition, this paper imposes low-rank structures to the column and row spaces of coefficient matrices in a multivariate infinite-order vector autoregression (VAR), which leads to a supervised factor model with two factor modelings being conducted to responses and predictors simultaneously. Interestingly, the stationarity condition implies an intrinsic weak group sparsity mechanism of infinite-order VAR, and hence a rank-constrained group Lasso estimation is considered for high-dimensional linear time series . Its non-asymptotic properties are discussed by balancing the estimation, approximation and truncation errors . Moreover, an alternating gradient descent algorithm with hard-thresholding is designed to search for high-dimensional estimates, and its theoretical justifications, including statistical and convergence analysis, are also provided. Theoretical and computational properties of the proposed methodology are verified by simulation experiments, and the advantages over existing methods are demonstrated by analyzing US quarterly macroeconomic variables.