Statistical Inference for High-Dimensional Matrix-Variate Factor Models

This article considers the estimation and inference of the low-rank components in high-dimensional matrix-variate factor models, where each dimension of the matrix-variates (p × q) is comparable to or greater than the number of observations (T). We propose an estimation method called α-PCA that pres...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Journal of the American Statistical Association Ročník 118; číslo 542; s. 1038 - 1055
Hlavní autoři:	Chen, Elynn Y., Fan, Jianqing
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Alexandria Taylor & Francis 03.04.2023 Taylor & Francis Ltd
Témata:	Adequacy Analysis of covariance Asymptotic normality Convergence covariance data collection Datasets Estimation Factor models High-dimension Inference Latent low rank Matrix-variate Property Regression analysis Research methodology Simulation Statistical inference Statistical methods Statistics variance
ISSN:	0162-1459, 1537-274X, 1537-274X
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!