Identification and estimation for matrix time series CP-factor models
矩阵时间序列 CP 因子模型的识别与估计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：摘要明确研究矩阵时间序列的 CP 因子模型，直接涉及时间序列与因子模型方法。
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…
矩阵时间序列 CP 因子模型的识别与估计
- 研究问题
- 矩阵时间序列 CP 因子模型中，如何避免小特征值间隔拖慢估计收敛，并允许因子载荷矩阵存在秩亏？
- 方法与思路
- 作者将识别估计转化为多个矩阵的联合对角化，这些矩阵由线性系统的基确定，并通过选择基避免接近共线。
- 材料陈述的贡献
- 摘要称新方法的收敛率不依赖特征值间隔且快于所比较方法，并能处理秩亏载荷；模拟和真实时间序列展示其优势。
- 阅读关注点
- 应核对 CP 分解的识别与归一化、秩亏情形的限制，以及基选择方法、收敛率条件和比较方法的适用范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未给出具体收敛率或条件，无法判断改善幅度。
原文摘要
We propose a new method for identifying and estimating the CP-factor models for matrix time series. Unlike the generalized eigenanalysis-based method of Chang et al. (2023) for which the convergence rates of the associated estimators may suffer from small eigengaps as the asymptotic theory is based on some matrix perturbation analysis, the proposed new method enjoys faster convergence rates which are free from any eigengaps. It achieves this by turning the problem into a joint diagonalization of several matrices whose elements are determined by a basis of a linear system, and by choosing the basis carefully to avoid near co-linearity (see Proposition 5 and Section 4.3). Furthermore, unlike Chang et al. (2023) which requires the two factor loading matrices to be full-ranked, the proposed new method can handle rank-deficient factor loading matrices. Illustration with both simulated and real matrix time series data shows the advantages of the proposed new method.