文献

J-GLOBAL ID：202102285434277756   整理番号：21A2342755

高次元行列変動時系列のための制約付き因子モデル【JST・京大機械翻訳】

Constrained Factor Models for High-Dimensional Matrix-Variate Time Series

著者 (3件)： Chen Elynn Y. (Department of Operations Research and Financial Engineering, Princeton University, Princeton, NJ) ,  Tsay Ruey S. (Booth School of Business, University of Chicago, Chicago, IL) ,  Chen Rong (Department of Statistics, Rutgers University, Piscataway, NJ)
資料名： Journal of the American Statistical Association  (Journal of the American Statistical Association)
巻： 115  号： 530  ページ： 775-793  発行年： 2020年 
JST資料番号： C0262A  ISSN： 0162-1459  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 高次元マトリックス変量時系列データは,経済学,生物学および気象学のような多くの科学分野で広く利用可能になっている。そのようなデータ,Wang,Liu,およびChenにおける固有行列構造と時間動力学を保存する間,重要な次元縮小を達成するために,Wang,Liu,およびChenは,有効な解析を提供できることを示す行列因子モデルを提案した。本論文では,線形制約を通して行列因子モデルにおけるドメインと事前知識を組み込むための一般的フレームワークを確立した。提案したフレームワークは, par観的パラメータ化の達成,潜在行列因子の解釈の促進,および関心の特定因子の同定に有用であることを示した。事前知識誘起制約を完全に利用することは,より効率的で正確なモデリング,推論,次元縮小,および結果の明確で良好な解釈をもたらす。行列変量時系列に対する制約,マルチ項,および部分制約因子モデルを,効率的な推定手順とそれらの漸近特性によって開発した。制約付き因子負荷行列の収束速度は,多くの状況の下で従来の行列因子解析のものよりはるかに速いことを示した。シミュレーション研究を行い,提案した方法の有限サンプル性能とその関連漸近特性を実証した。3つのアプリケーションで提案モデルを例証し,そこでは,制約付き行列因子モデルが,サンプル外10倍交差検証設定の下で,分散説明の電力において,それらの制約のない対応物を凌駕する。本論文の補足材料はオンラインで利用できる。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： シミュレーション ,  電力 ,  気象学 ,  経済学 ,  因子分析 ,  応用プログラム ,  線形性 ,  *高次元 ,  次元縮小 ,  パラメタリゼーション
準シソーラス用語： 事前知識 ,  時系列データ ,  収束速度 ,  オンライン ,  *因子モデル , 【Automatic Indexing@JST】

著者キーワード (5件)： 制約付き固有解析 ,  L_2ノルムにおける収束 ,  次元縮小 ,  因子モデル ,  行列変量時系列

分類 (2件)： 人工知能  (JE08000Z) ,  数値計算  (JE02000J)

タイトルに関連する用語 (5件)： 高次元 ,  行列 ,  時系列 ,  制約 ,  因子モデル