[論文レビュー] Projected Estimation for Large-dimensional Matrix Factor Models

Long Yu, Yong He+2 more|arXiv (Cornell University)|Mar 23, 2020

Monetary Policy and Economic Impact参考文献 37被引用数 5

ひとこと要約

本稿では、クロスセクショナルにスパイクされた固有値を有する大規模次元行列要因モデルに対して、観測行列を行または列の要因空間に投影することにより、推定精度を向上させる射影推定（PE）手法を提案する。PE手法は、既存の推定器よりも高速な収束速度を達成し、個別誤差の線形フィルタリングによって信号対雑音比を向上させる。

ABSTRACT

In this study, we propose a projection estimation method for large-dimensional matrix factor models with cross-sectionally spiked eigenvalues. By projecting the observation matrix onto the row or column factor space, we simplify factor analysis for matrix series to that for a lower-dimensional tensor. This method also reduces the magnitudes of the idiosyncratic error components, thereby increasing the signal-to-noise ratio, because the projection matrix linearly filters the idiosyncratic error matrix. We theoretically prove that the projected estimators of the factor loading matrices achieve faster convergence rates than existing estimators under similar conditions. Asymptotic distributions of the projected estimators are also presented. A novel iterative procedure is given to specify the pair of row and column factor numbers. Extensive numerical studies verify the empirical performance of the projection method. Two real examples in finance and macroeconomics reveal factor patterns across rows and columns, which coincides with financial, economic, or geographical interpretations.

研究の動機と目的

• 行と列の両方にわたる共同の低ランク構造を十分に活用しない既存の行列要因モデル推定器の非効率性を是正する。
• スパイク固有値を有する大規模次元行列要因モデルにおける因子負荷行列の推定精度を向上させる。
• 射影によって個別誤差の大きさを低減し、信号対雑音比を向上させる手法を開発する。
• ややきつい正則性条件の下で、射影推定器の理論的収束速度および漸近分布を確立する。
• 予測誤差最小化に基づき、一貫的に最適な行と列の要因数のペアを特定する反復的手順を提案する。

提案手法

• 観測行列を推定された行または列の要因空間に投影することで次元削減を図り、個別誤差をフィルタリングする。
• 投影行列を用いて個別誤差行列を線形フィルタリングし、その大きさを低減させ、信号対雑音比を向上させる。
• 射影されたデータの固有値分解により因子負荷行列を推定し、行と列の要因の共同低ランク構造を活用する。
• 予測誤差最小化に基づき、最適な行と列の要因数を特定する2段階の反復的手順を適用する。
• 理論的分析は、行および列のクロスセクショナル次元におけるパerversィブ要因とスパイク固有値の仮定に依拠する。
• 本手法はLam et al. (2011) およびChen et al. (2020) の枠組みを基盤としているが、行と列の共同構造を統合することにより効率性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 観測行列を行または列の要因空間に投影することで、行列要因モデルの推定精度が向上するか？
• RQ2 類似条件の下で、射影推定手法は既存の推定器よりも高速な収束速度を達成するか？
• RQ3 行と列の要因の共同低ランク構造をどのように活用して個別誤差成分を低減できるか？
• RQ4 因子負荷行列の射影推定器の漸近分布は何か？
• RQ5 実務的に最適な行と列の要因数ペアを一貫して特定するにはどうすればよいか？

主な発見

• 理論的に、ややきつい条件下で、因子負荷行列の射影推定器は、既存の推定器よりも高速な収束速度を達成することが示された。
• 投影行列が個別誤差行列を線形フィルタリングするため、信号対雑音比が向上し、その大きさが低減された。
• カナダ消費者物価指数（CPI）の実データ例では、PE手法が最も低い平均絶対予測誤差（(k₁,k₂)=(3,3) 時に 0.5988）を達成し、ACCE や α-PCA を上回った。
• 要因数選択のための反復的手順は、ローリング予測実験において予測誤差を最小化する最適な (k₁,k₂) ペアを効果的に同定した。
• 数値実験では、PE手法がACCE や α-PCA よりも低い検証誤差と、負荷空間におけるより小さい平均変動を示した。
• ファイナンスおよびマクロ経済学分野の実証結果から、行と列の両方で解釈可能な要因パターンが得られ、金融的・経済的または地理的解釈と整合的であった。