The sparse dynamic factor model: a regularised quasi-maximum likelihood approach
The sparse dynamic factor model: a regularised quasi-maximum likelihood approach
复制标题
稀疏动态因子模型：正则化准最大似然方法
DOI：
10.1007/s11222-023-10378-1
复制
发表时间：
2024
影响因子：
2.2
通讯作者：
Mosley L
中科院分区：
文献类型：
--
作者：
Mosley L
稀疏性和正则化估计的概念在许多高维统计应用中被证明是有用的。动态因素模型(DFM)为高维时间序列的建模提供了一种简约的方法，但往往难以解释潜在因素的含义。本文形式化地引入了一类稀疏DFM，通过约束加载矩阵具有较少的非零项，从而增加了因子的可解释性。我们给出了模型参数的正则化M-估计，并构造了一个有效的期望最大化算法来实现估计。合成实验证明了在估计加载结构方面的一致性，以及在可能适合于低阶因子结构的情况下的卓越预测性能。在一个应用程序中进一步说明了该方法的实用性，该应用程序预测了大量智能电表的用电量。
The concepts of sparsity, and regularised estimation, have proven useful in many high-dimensional statistical applications. Dynamic factor models (DFMs) provide a parsimonious approach to modelling high-dimensional time series, however, it is often hard to interpret the meaning of the latent factors. This paper formally introduces a class of sparse DFMs whereby the loading matrices are constrained to have few non-zero entries, thus increasing interpretability of factors. We present a regularised M-estimator for the model parameters, and construct an efficient expectation maximisation algorithm to enable estimation. Synthetic experiments demonstrate consistency in terms of estimating the loading structure, and superior predictive performance where a low-rank factor structure may be appropriate. The utility of the method is further illustrated in an application forecasting electricity consumption across a large set of smart meters.
登录
查看更多内容
鲁棒和稀疏因子建模
DOI：
--
发表时间：
2011
期刊：
影响因子：
--
作者：
C. Croux;Peter Exterkate
通讯作者：
Peter Exterkate
影响因子：
3
作者：
Liu, Xinyi;Wallin, Gabriel;Chen, Yunxiao;Moustaki, Irini
通讯作者：
Moustaki, Irini
使用卡尔曼滤波器和平滑进行因子提取：这不仅仅是另一项调查
影响因子：
7.9
作者：
Pilar Poncela;E. Ruiz;Karen Miranda
通讯作者：
Karen Miranda
通过稀疏性识别和解释因子模型中的因子：不同的方法
影响因子：
2.1
作者：
Thomas Despois;Catherine Doz
通讯作者：
Catherine Doz
稀疏DFM：用于估计具有稀疏载荷的动态因子模型的R包
DOI：
--
发表时间：
2023
期刊：
影响因子：
--
作者：
Luke Mosley;Tak;A. Gibberd
通讯作者：
A. Gibberd