.png){kind=icon}
返回
Supervised factor modeling for high-dimensional linear time series
.png){kind=icon}
OA
AI
DOI：10.1016/j.jeconom.2025.105995.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
受Tucker张量分解的启发，本文对多元无限阶向量自回归（VAR）中系数矩阵的列空间和行空间施加低秩结构，这导致构建了一个监督因子模型，同时对响应变量和预测变量进行两种因子建模。有趣的是，平稳性条件暗示了无限阶VAR固有的弱组稀疏机制，因此考虑采用秩约束的组Lasso估计方法对高维线性时间序列进行估计。通过平衡估计误差、近似误差和截断误差，讨论了其非渐近性质。此外，设计了一种带有硬阈值处理的交替梯度下降算法来搜索高维估计，并提供了包括统计性质和收敛性分析在内的理论依据。通过模拟实验验证了所提方法的理论和计算性质，并通过分析美国季度宏观经济变量展示了其相较于现有方法的优越性。
Keyword:
Dimension reduction
High-dimensional time series
Infinite-order VAR
Tensor decomposition
Weak group sparsity
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
IF:
4
论文数:
5.2K
被引数:
3.0W
机构
引用论文
分享收藏分享收藏Order selection for same-realization predictions in autoregressive processes.png)
ANNALS OF STATISTICSOAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏
查看更多内容