High dimensional stochastic regression with latent factors, endogeneity and nonlinearity
High dimensional stochastic regression with latent factors, endogeneity and nonlinearity
复制标题
具有潜在因素、内生性和非线性的高维随机回归
DOI：
10.1016/j.jeconom.2015.03.024
复制
发表时间：
2013-10
影响因子：
6.3
通讯作者：
Yao Qiwei
中科院分区：
文献类型：
--
作者：
Chang Jinyuan;Guo Bin;Yao Qiwei
我们考虑一个多变量时间序列模型，它将一个高维的向量过程表示为三个项的和：一些观察到的回归变量的线性回归，一些潜在的和序列相关的因素的线性组合，以及向量白噪声。我们研究了在不对目标多变量时间序列、回归变量和潜在因素施加平稳条件的情况下的推断。此外，我们还讨论了已观测回归变量与未观测因素之间存在相关性的内生性问题。我们还考虑了具有非线性回归项的模型，该回归项可以用一个具有大量回归变量的线性回归函数来逼近。在时间序列的维度和回归变量的个数均随样本大小趋于无穷大的情况下，建立了回归系数、因子个数、因子加载空间和因子的估计量的收敛速度。通过仿真和实际数据算例说明了该方法的有效性。
We consider a multivariate time series model which represents a high dimensional vector process as a sum of three terms: a linear regression of some observed regressors, a linear combination of some latent and serially correlated factors, and a vector white noise. We investigate the inference without imposing stationary conditions on the target multivariate time series, the regressors and the underlying factors. Furthermore we deal with the endogeneity that there exist correlations between the observed regressors and the unobserved factors. We also consider the model with nonlinear regression term which can be approximated by a linear regression function with a large number of regressors. The convergence rates for the estimators of regression coefficients, the number of factors, factor loading space and factors are established under the settings when the dimension of time series and the number of regressors may both tend to infinity together with the sample size. The proposed method is illustrated with both simulated and real data examples.
登录
查看更多内容
影响因子：
6.1
作者：
Hahn, J;Hausman, J
通讯作者：
Hausman, J
DOI：
10.1109/tsmc.1980.4308363
发表时间：
1980-10
期刊：
IEEE Transactions on Systems, Man, and Cybernetics
影响因子：
--
作者：
A. Jakeman;L. P. Steele;P. Young
通讯作者：
A. Jakeman;L. P. Steele;P. Young
DOI：
10.1111/j.2517-6161.1989.tb01756.x
发表时间：
1989
期刊：
Journal of the royal statistical society series b-methodological
影响因子：
--
作者：
G. Tiao;R. Tsay
通讯作者：
G. Tiao;R. Tsay
影响因子：
2.7
作者：
Jiazhu Pan;Q. Yao
通讯作者：
Jiazhu Pan;Q. Yao
DOI：
10.18452/4336
发表时间：
2011-06
期刊：
arXiv: Machine Learning
影响因子：
--
作者：
Song Song-Song;P. Bickel
通讯作者：
Song Song-Song;P. Bickel