矩阵时间序列的模态加性因子模型

本文介绍了一种新的矩阵值时间序列的模态加性因子模型 (MAFM)，与 Tucker 和 CP 等现有的乘法因子模型相比，它提供了更灵活的方法。关键创新在于其加性结构，允许对行特定和列特定的潜在效应进行单独建模。本文的贡献在于它提供了一种计算效率高的估计程序（MINE 和 COMPAS）和一个数据驱动的推理框架，包括收敛速度、渐近分布和一致的协方差估计器。为依赖矩阵时间序列的二次形式开发矩阵 Bernstein 不等式是一项有价值的技术贡献。本文侧重于矩阵时间序列分析，这与金融、信号处理和推荐系统等各个领域相关。

• •引入了 MAFM，一种用于矩阵值时间序列的新型加性因子模型。
• •比乘法因子模型提供更大的灵活性。
• •开发了一种计算效率高的两阶段估计程序（MINE 和 COMPAS）。
• •提供了一个数据驱动的推理框架，具有收敛速度和渐近分布。
• •包括一项技术贡献：依赖矩阵时间序列的二次形式的矩阵 Bernstein 不等式。