[论文解读] Autoregressive Models for Matrix-Valued Time Series

Rong Chen, Xiao Han+1 more|arXiv (Cornell University)|Dec 21, 2018

Complex Systems and Time Series Analysis参考文献 28被引用 3

一句话总结

本文提出了一种矩阵自回归模型（MAR），通过将条件均值建模为前一矩阵的双线性变换（使用两个系数矩阵），保留了时间序列数据的矩阵结构。与向量自回归模型相比，该方法实现了显著的降维并提高了可解释性，且已建立模型的理论性质和估计方法，以支持推断与预测。

ABSTRACT

In finance, economics and many other fields, observations in a matrix form are often generated over time. For example, a set of key economic indicators are regularly reported in different countries every quarter. The observations at each quarter neatly form a matrix and are observed over many consecutive quarters. Dynamic transport networks with observations generated on the edges can be formed as a matrix observed over time. Although it is natural to turn the matrix observations into a long vector, and then use the standard vector time series models for analysis, it is often the case that the columns and rows of the matrix represent different types of structures that are closely interplayed. In this paper we follow the autoregressive structure for modeling time series and propose a novel matrix autoregressive model in a bilinear form that maintains and utilizes the matrix structure to achieve a greater dimensional reduction, as well as more interpretable results. Probabilistic properties of the models are investigated. Estimation procedures with their theoretical properties are presented and demonstrated with simulated and real examples.

研究动机与目标

• 为解决向量自回归模型在应用于矩阵值时间序列时的局限性，后者通过将矩阵展平为向量而损失了结构信息。
• 开发一种简洁的模型，以保持矩阵结构时间序列数据（如各国经济指标或网络边观测值）中的固有行与列结构。
• 提供一种具有统计可解释性的模型，其中两个系数矩阵分别对应行与列的动力学，从而提升模型的可解释性。
• 在不同误差协方差结构下，建立模型的理论性质，包括估计量的渐近分布。
• 通过模拟和真实数据展示模型性能，包括样本外预测与残差诊断。

提出的方法

• 提出一阶矩阵自回归模型 $\mathbf{X}_t = \mathbf{A}\mathbf{X}_{t-1}\mathbf{B}' + \mathbf{E}_t$，其中 $\mathbf{X}_t$ 为时间 $t$ 的 $m \times n$ 矩阵，$\mathbf{A}, \mathbf{B}$ 为系数矩阵。
• 通过引入多个滞后矩阵，将模型扩展至高阶自回归结构（MAR(p)）。
• 采用三种估计方法：最小二乘法（LSE）、最大似然法（MLE）和最近克罗内克积投影法（PROJ），每种方法适用于不同的误差协方差假设。
• 在正则性条件下推导估计量的渐近分布，从而支持统计推断与假设检验。
• 利用克罗内克积结构建模误差协方差矩阵，相较于无结构形式显著减少了参数数量。
• 采用滚动预测评估方法，将 MAR(1) 模型与单变量 AR(1)、AR(2) 及堆叠 VAR(1) 模型在真实经济数据上的表现进行比较。

实验结果

研究问题

• RQ1 与向量自回归模型相比，双线性矩阵自回归模型是否能更有效地保留矩阵值时间序列中行与列之间的结构关系？
• RQ2 在真实经济数据上，所提出的 MAR(1) 模型在预测性能上与单变量 AR 模型及堆叠向量自回归模型相比如何？
• RQ3 在不同误差协方差假设下，估计量的理论性质（特别是渐近正态性）如何？
• RQ4 该模型在保持可解释性与预测精度的同时，能在多大程度上实现降维？
• RQ5 该模型能否扩展至高阶自回归结构，或适用于金融或经济应用中的波动率建模？

主要发现

• 使用最小二乘估计的 MAR(1) 模型，其样本外预测误差平方和为 141.82，优于堆叠 VAR(1) 模型（296.62），但略逊于单个 AR(1) 模型（136.00）。
• 使用最大似然估计的 MAR(1) 模型达到最低预测误差（136.69），表明在三种测试估计器中表现最优。
• 残差诊断（包括 ACF 图与残差图）显示无显著自相关，支持模型对动态结构的良好捕捉能力。
• 该模型实现了显著的降维：堆叠 VAR 模型需 $m^2n^2$ 个参数，而 MAR(1) 仅需 $m^2 + n^2 - 1$ 个参数。
• 推导了估计量的渐近分布理论，使得在正则性条件下可进行有效的统计推断。
• MAR(1) 模型在预测期后三年的表现优于单变量 AR(1) 模型，表明尽管初期表现不佳，但其长期稳健性更强。