.png){kind=icon}
返回
Diffusion index forecasting with tensor data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jeconom.2026.106204.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文考虑了扩散指数预测，既使用张量预测变量也使用非张量预测变量，其中张量结构通过一种典范Polyadic (CP)张量因子模型得以保留。当非张量预测变量的数量较小时，我们研究了该张量因子增强回归模型中普通最小二乘估计量的渐近性质，允许因子具有不同强度。我们推导了预测区间的解析公式，该公式考虑了潜在因子估计的不确定性。此外，我们提出了一种新颖的阈值估计量用于高维协方差矩阵，其对截面相关性具有鲁棒性。当非张量预测变量的数量超过或发散于样本大小时，我们引入了一种多源因子增强稀疏回归模型，并建立了相应惩罚估计量的一致性。模拟研究验证了我们的理论结果，而针对美国贸易流动的经验应用则展示了我们的方法相较于文献中其他流行方法的优越性。
Keyword:
tensor factor model
diffusion index forecasting
least squares estimator
high-dimensional covariance matrix
sparse regression
期刊
IF:
4
论文数:
5.3K
被引数:
3.0W
机构
引用论文
.png){kind=icon}
查看更多内容