Generalized Matrix Factor Model
广义矩阵因子模型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。
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：摘要提出通用矩阵因子理论，应用为企业经营表现的聚类与重构，未明确涉及宏观序列或资产收益因子，故不强行归类。
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
广义矩阵因子模型
- 研究问题
- 如何把主要适用于连续变量的线性矩阵因子模型推广到离散与混合类型变量，同时实现因子载荷推断及行列因子数选择？
- 方法与思路
- 作者提出非线性广义矩阵因子模型，以增广拉格朗日方法处理约束极大似然，并给出两阶段交替最大化与下界最大化算法。
- 材料陈述的贡献
- 摘要称，研究建立因子和载荷的收敛率与可行中心极限定理，提供一致的行列因子数选择准则，并允许样本及行列间相关。
- 阅读关注点
- 应核对不同变量类型的分布与链接设定、因子归一化约束、局部曲率与中心极限定理的条件，以及算法是否只保证局部解。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未列一般条件，局部曲率性质不能直接视为全局优化或普遍性能保证。
原文摘要
This article introduces a nonlinear generalized matrix factor model (GMFM) that allows for mixed-type variables, extending the scope of linear matrix factor models (LMFM) that are so far limited to handling continuous variables. We introduce a novel augmented Lagrange multiplier method, equivalent to the constraint maximum likelihood estimation, and carefully tailored to be locally concave around the true factor and loading parameters. This statistically guarantees the local convexity of the negative Hessian matrix around the true parameters of the factors and loadings, which is nontrivial in the matrix factor modeling and leads to feasible central limit theorems of the estimated factors and loadings. We also theoretically establish the convergence rates of the estimated factor and loading matrices for the GMFM under general conditions that allow for correlations across samples, rows, and columns. Moreover, we provide a model selection criterion to determine the numbers of row and column factors consistently. To numerically compute the constraint maximum likelihood estimator, we provide two algorithms: two-stage alternating maximization and minorization maximization. Extensive simulation studies demonstrate GMFM's superiority in handling discrete and mixed-type variables. An empirical data analysis of the company's operating performance shows that GMFM does clustering and reconstruction well in the presence of discontinuous entries in the data matrix.