[论文解读] 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 5

一句话总结

本文提出了一种用于具有横截面特征值的高维矩阵因子模型的投影估计（PE）方法，通过将观测矩阵投影到行或列因子空间，提升估计精度。PE方法相较于现有估计器实现了更快的收敛速度，并通过脉冲响应误差的线性滤波提升了信噪比。

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.

研究动机与目标

• 解决现有矩阵因子模型估计器未能充分利用行与列间联合低秩结构而导致的效率低下问题。
• 提升具有特征值的高维矩阵因子模型中因子载荷矩阵的估计精度。
• 提出一种通过投影减少特异误差幅度并提升信噪比的方法。
• 在较弱的正则性条件下，建立投影估计器的理论收敛速度和渐近分布。
• 提出一种迭代过程，以一致地确定最优的行与列因子数量对。

提出的方法

• 将观测矩阵投影到估计的行或列因子空间，以降低维度并滤除特异误差。
• 利用投影矩阵对特异误差矩阵进行线性滤波，从而减小其幅度并提升信噪比。
• 通过投影数据的特征分解估计因子载荷矩阵，利用行与列因子的联合低秩结构。
• 采用两步迭代过程，基于预测误差最小化选择最优的行与列因子数量。
• 理论分析基于行与列横截面维度中普遍存在因子和特征值的假设。
• 该方法建立在Lam等（2011）和Chen等（2020）的框架之上，但通过整合行-列联合结构提升了效率。

实验结果

研究问题

• RQ1 将观测矩阵投影到行或列因子空间是否能提升矩阵因子模型的估计精度？
• RQ2 在相似条件下，投影估计方法是否相较于现有估计器具有更快的收敛速度？
• RQ3 如何利用行与列因子的联合低秩结构来减少特异误差分量？
• RQ4 因子载荷矩阵的投影估计器的渐近分布是什么？
• RQ5 在实践中，如何一致地选择最优的行与列因子数量对？

主要发现

• 在较弱条件下，理论上证明了因子载荷矩阵的投影估计器相较于现有估计器具有更快的收敛速度。
• 信噪比得到提升，因为投影矩阵对特异误差矩阵进行了线性滤波，减小了其幅度。
• 在加拿大CPI的实际数据示例中，PE方法在(k₁,k₂)=(3,3)时达到最低的平均绝对预测误差（0.5988），优于ACCE和α-PCA。
• 用于因子数量选择的迭代过程在滚动预测实验中有效识别出最优的(k₁,k₂)对，使预测误差最小化。
• 数值研究证实，与ACCE和α-PCA相比，PE方法具有更低的验证误差和更小的载荷空间平均变异。
• 来自金融与宏观经济学的实证结果揭示了可解释的因子模式，其在行与列上均与金融、经济或地理解释一致。