Robust Statistical Inference for Large-dimensional Matrix-valued Time Series via Iterative Huber Regression
基于迭代Huber回归的大维矩阵时间序列稳健统计推断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：摘要以矩阵因子模型和大维时间序列推断为核心，并包含宏观指标应用，因此选择因子模型与时间序列。
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…
关注这篇论文的作者
基于迭代Huber回归的大维矩阵时间序列稳健统计推断
- 研究问题
- 在矩阵观测的两个维度不断增大、特异误差可能具有重尾时，如何稳健估计矩阵因子模型并开展统计推断？
- 方法与思路
- 作者采用迭代Huber回归估计载荷、因子和公共成分，推导收敛率与渐近分布，并提出两种因子数量估计方法。
- 材料陈述的贡献
- 摘要称，特异误差有限二阶矩下可建立稳健估计的收敛率，并给出因子数量的一致估计及金融、宏观数据应用。
- 阅读关注点
- 应核对维度与样本量的增长关系、误差依赖条件、Huber参数选择，以及因子数量一致性和渐近分布所需条件。
- 阅读边界
- 这是arXiv预印本，同行评审或接收未核实；摘要未列出所谓温和条件，也未提供重尾情形的具体比较结果。
原文摘要
Matrix factor model is drawing growing attention for simultaneous two-way dimension reduction of well-structured matrix-valued observations. This paper focuses on robust statistical inference for matrix factor model in the ``diverging dimension" regime. We derive the convergence rates of the robust estimators for loadings, factors and common components under finite second moment assumption of the idiosyncratic errors. In addition, the asymptotic distributions of the estimators are also derived under mild conditions. We propose a rank minimization and an eigenvalue-ratio method to estimate the pair of factor numbers consistently. Numerical studies confirm the iterative Huber regression algorithm is a practical and reliable approach for the estimation of matrix factor model, especially under the cases with heavy-tailed idiosyncratic errors . We illustrate the practical usefulness of the proposed methods by two real datasets, one on financial portfolios and one on the macroeconomic indices of China.