Statistical Inference for High-Dimensional Matrix-Variate Factor Model
高维矩阵值因子模型的统计推断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：摘要涉及通用矩阵因子模型及数值、图像数据，未明确宏观或金融因子应用。
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
高维矩阵值因子模型的统计推断
- 研究问题
- 矩阵行列维度与观测数相当或更大时，如何保留矩阵结构估计低秩成分，并在噪声存在时间及行列相关时开展推断？
- 方法与思路
- 作者提出 α-PCA，通过超参数整合均值与同期协方差信息，建立一致性、收敛速度及极限分布理论，并研究参数选择方法。
- 材料陈述的贡献
- 摘要称，模拟支持渐近近似；在一个数值数据集和两个图像数据集中，该方法取得更高的样本外交叉验证方差解释能力。
- 阅读关注点
- 应核对因子强度、维度增长与噪声相关条件，以及 α 的选择目标、极限分布归一化方式和交叉验证的比较口径。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出理论条件与改善幅度，应用比较也不能推出对所有数据都更优。
原文摘要
This paper considers the estimation and inference of the low-rank components in high-dimensional matrix-variate factor models, where each dimension of the matrix-variates ($p \times q$) is comparable to or greater than the number of observations ($T$). We propose an estimation method called $α$-PCA that preserves the matrix structure and aggregates mean and contemporary covariance through a hyper-parameter $α$. We develop an inferential theory, establishing consistency, the rate of convergence, and the limiting distributions, under general conditions that allow for correlations across time, rows, or columns of the noise. We show both theoretical and empirical methods of choosing the best $α$, depending on the use-case criteria. Simulation results demonstrate the adequacy of the asymptotic results in approximating the finite sample properties. The $α$-PCA compares favorably with the existing ones. Finally, we illustrate its applications with a real numeric data set and two real image data sets. In all applications, the proposed estimation procedure outperforms previous methods in the power of variance explanation using out-of-sample 10-fold cross-validation.