.png){kind=icon}
返回
Statistical inference for large-dimensional tensor factor model by iterative projections
.png){kind=icon}
OA
AI
DOI：10.1016/j.jmva.2026.105616.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
张量因子模型（TFM）是高阶大维张量时间序列吸引人的降维工具，在经济学、金融学和医学成像等领域有广泛应用。本文提出了一种基于Tucker分解的TFM投影估计量，并提供了其最小二乘解释，这与向量因子模型的主成分分析（PCA）的最小二乘解释相平行。投影技术同时降低了信号分量的维度和特质分量的张量幅度，从而提高了信噪比。我们推导了载荷和公共因子张量的投影估计量的收敛速率，其快于朴素的PCA估计量。我们的结果在温和条件下获得，允许特质分量存在弱交叉自相关。我们还基于特征值比原理提出了一种新颖的迭代程序来确定因子数量。通过广泛的数值研究，探讨了所提出的投影估计量相对于当前最先进方法的实际性能。
Keyword:
Least squares
Principal component analysis
Projection estimation
Tensor factor model
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
1.7
论文数:
99
被引数:
5.8K
查看更多机构
.png){kind=icon}
