مقاله برآورد عملکرد کواریانس برای سری زمانی عملکردی با ابعاد بالا با ساختارهای فاکتور دوگانه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Covariance Function Estimation for High-Dimensional Functional Time Series with Dual Factor Structures
عنوان مقاله به فارسی مقاله برآورد عملکرد کواریانس برای سری زمانی عملکردی با ابعاد بالا با ساختارهای فاکتور دوگانه
نویسندگان Chenlei Leng, Degui Li, Hanlin Shang, Yingcun Xia
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 42
دسته بندی موضوعات Econometrics,Methodology,اقتصاد سنج , روش شناسی ,
توضیحات Submitted 12 January, 2024; v1 submitted 11 January, 2024; originally announced January 2024.
توضیحات به فارسی ارائه شده 12 ژانویه 2024 ؛V1 ارسال شده 11 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد.

چکیده

We propose a flexible dual functional factor model for modelling high-dimensional functional time series. In this model, a high-dimensional fully functional factor parametrisation is imposed on the observed functional processes, whereas a low-dimensional version (via series approximation) is assumed for the latent functional factors. We extend the classic principal component analysis technique for the estimation of a low-rank structure to the estimation of a large covariance matrix of random functions that satisfies a notion of (approximate) functional "low-rank plus sparse" structure; and generalise the matrix shrinkage method to functional shrinkage in order to estimate the sparse structure of functional idiosyncratic components. Under appropriate regularity conditions, we derive the large sample theory of the developed estimators, including the consistency of the estimated factors and functional factor loadings and the convergence rates of the estimated matrices of covariance functions measured by various (functional) matrix norms. Consistent selection of the number of factors and a data-driven rule to choose the shrinkage parameter are discussed. Simulation and empirical studies are provided to demonstrate the finite-sample performance of the developed model and estimation methodology.

چکیده به فارسی (ترجمه ماشینی)

ما یک مدل فاکتور عملکردی دوتایی انعطاف پذیر برای مدل سازی سری زمانی عملکردی با ابعاد بالا پیشنهاد می کنیم.در این مدل ، یک پارامتر سازی فاکتور کاملاً عملکردی کاملاً عملکردی بر روی فرآیندهای عملکردی مشاهده شده تحمیل می شود ، در حالی که یک نسخه کم بعدی (از طریق تقریب سری) برای عوامل عملکردی نهفته فرض می شود.ما تکنیک تجزیه و تحلیل مؤلفه اصلی کلاسیک را برای برآورد یک ساختار درجه پایین به برآورد یک ماتریس کواریانس بزرگ از توابع تصادفی گسترش می دهیم که مفهوم (تقریبی) ساختار "کم درجه به علاوه پراکنده" را برآورده می کند.و روش انقباض ماتریس را به منظور تخمین ساختار پراکنده اجزای ایدیوسنکراتیک عملکردی تعمیم دهید.در شرایط منظم مناسب ، ما تئوری نمونه بزرگی از برآوردگرهای توسعه یافته ، از جمله قوام عوامل برآورد شده و بارهای عامل عملکردی و میزان همگرایی ماتریس های تخمین زده شده از توابع کواریانس را اندازه گیری می کنیم.انتخاب مداوم از تعداد عوامل و یک قانون داده محور برای انتخاب پارامتر انقباض بحث شده است.شبیه سازی و مطالعات تجربی برای نشان دادن عملکرد نمونه محدود مدل توسعه یافته و روش تخمین ارائه شده است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.