A two-way factor model for high-dimensional matrix data
高维矩阵数据的双向因子模型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：摘要研究一般矩阵数据的双向因子理论，未提供宏观或金融因子应用的直接依据。
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…
高维矩阵数据的双向因子模型
- 研究问题
- 如何用低维潜在因子同时描述高维矩阵的行列相关结构，并在行数与列数共同增大时研究参数估计的统计性质？
- 方法与思路
- 作者设定可分离的行列属性效应与双向因子结构，通过分块交替最大化计算因子载荷及其他参数的最大似然估计。
- 材料陈述的贡献
- 摘要称讨论了模型可识别性，建立估计的一致性与渐近分布，并发现估计方差与行列因子方差之间的差距有关。
- 阅读关注点
- 应核对行列因子的归一化与可识别条件、双维渐近框架、交替算法的收敛性质，以及方差差距如何影响估计精度。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明分布假设、具体渐近条件或真实数据的应用领域。
原文摘要
In this article, we introduce a two-way factor model for a high-dimensional data matrix and study the properties of the maximum likelihood estimation (MLE). The proposed model assumes separable effects of row and column attributes and captures the correlation across rows and columns with low-dimensional hidden factors. The model inherits the dimension-reduction feature of classical factor models but introduces a new framework with separable row and column factors, representing the covariance or correlation structure in the data matrix. We propose a block alternating, maximizing strategy to compute the MLE of factor loadings as well as other model parameters. We discuss model identifiability, obtain consistency and the asymptotic distribution for the MLE as the numbers of rows and columns in the data matrix increase. One interesting phenomenon that we learned from our analysis is that the variance of the estimates in the two-way factor model depends on the distance of variances of row factors and column factors in a way that is not expected in classical factor analysis. We further demonstrate the performance of the proposed method through simulation and real data analysis.