分解矩阵值时间序列中的共同波动：一种伪结构降秩方法

《Econometrics and Statistics》：Decomposing co-movements in matrix-valued time series: A pseudo-structural reduced rank approach

　　

研究人员提出了一种伪结构框架，用于分析平稳降秩矩阵自回归（RRMAR）模型中的同期共同波动。与丢弃矩阵结构的传统向量自回归（VAR）模型不同，该公式保留了矩阵结构，从而能够将共同波动分解为三个可解释的成分：行特定、列特定以及联合（行-列）相互作用。该估计量支持标准渐近推断，并提出了一个BIC型准则用于联合选择降秩数和自回归滞后阶数。通过模拟实验验证了该方法在估计精度、覆盖率和秩选择方面的有限样本性能，包括秩误设情形。实际应用通过将伪结构方法应用于美国中西部九个州的原始劳动力市场数据以提炼一致指标来展示，揭示了反映州内劳动力市场动态和跨州联系的独特的行、列和联合共同波动模式。

**论文解读文章**

本研究针对矩阵值时间序列（MVTS）中同期共同波动的分解问题展开。传统向量自回归（VAR）模型在处理矩阵结构数据时，通常将矩阵向量化，从而丢失行与列维度的特定信息；面板VAR虽能处理多个截面，但无法自然建模矩阵数据固有的双向依赖关系。近年来，降秩矩阵自回归（RRMAR）模型通过利用自回归系数矩阵的低秩分解，展现了处理高维参数的潜力，但其对共同波动结构的解释力尚未被充分挖掘。为此，研究人员提出了一种伪结构框架，旨在将RRMAR中的同期共同波动分解为行特定、列特定及联合（行-列）三个可解释成分，以更清晰地揭示矩阵维度内部及跨维度的联动关系。该研究的重要意义在于，它填补了现有高维方法无法同时分离行、列及联合同期互动的空白，为宏观与金融领域中的多维时间序列分析提供了新的推断工具。论文发表在《Econometrics and Statistics》。

为开展此项研究，研究人员采用了以下几个关键技术方法。首先，基于序列相关共同特征（SCCF）概念，推导了RRMAR模型左零空间的分解结构（见命题1），将共动态分解为三个正交子空间。其次，构建了伪结构形式（见式6），通过施加识别限制（类似于结构VAR中的旋转），将系数矩阵因子旋转至可解释的块结构。再次，采用全信息最大似然（FIML）估计法估计参数，并通过多重随机起点（包括RRMAR解）初始化以避免局部最优。最后，提出了基于BIC型准则（包括AIC、BIC和EBIC）的秩与滞后阶联合选择程序，并证明了BIC与EBIC的秩选择一致性（见命题2）。模拟实验中，矩阵维度设置为N₁×N₂=3×4，真实秩设定为r₁×r₂=2×2等，样本量T=100和T=250，信噪比固定为0.7。实际应用的数据来源为美国中西部九个州（IA, IL, IN, MI, MN, ND, OH, SD, WI）的劳动力市场指标（非农业就业、失业率、制造业平均工时、实际工资与薪金支付），样本期为2005年1月至2019年12月（T=180），数据来自劳工统计局（BLS）和经济分析局（BEA），其中实际工资季度数据通过简单平均转换为月度频率。

**研究结果**

**4.1 估计与推断**。通过1000次蒙特卡洛模拟评估伪结构参数δ?*和γ?*的采样分布与覆盖率。当第二维度秩正确设定或过设定时，δ?*的核密度紧密围绕真值，且95%置信区间的经验覆盖率接近名义水平（约95%）；当秩欠设定时，覆盖率降至约92%。类似地，γ?*在正确或过设定条件下表现良好，欠设定时覆盖率降至约89%。与RRMAR初始估计相比，多起点程序有效避免了局部最优问题。

**4.2 秩选择**。基于100次模拟（因计算成本限制）评估各信息准则的秩选择性能。对于N₁=3，N₂=4的设定，BIC、EBIC及基准方法（Bench）在多数真实秩设定下正确选择率超过94%，而AIC表现较差（如(2,1)秩下正确率约80%）。在联合秩与滞后阶选择实验中，EBIC和BIC在真实滞后p=1时正确选择秩与滞后的比例接近100%，而AIC倾向于选择更高滞后。当真实滞后p=2时，所有准则正确选择滞后的比例均达100%，但AIC在部分降秩维度上仍存在欠选问题。

**5. 美国各州一致指标的应用**。首先，通过AIC、BIC、EBIC联合选择秩与滞后。AIC选择(r?₁,r?₂)=(8,4)，BIC选择(5,4)，EBIC选择(2,1)。基于EBIC在模拟中的优异表现，研究采纳其选择的秩。与降秩VAR及无限制VAR的比较显示，除AIC外，所有信息准则均偏好RRMAR，支持Kronecker积结构的简约性。

**5.3 伪结构估计**。将爱荷华州（IA）和俄亥俄州（OH）指定为y_22,t的行维度，实际工资为列维度。表5报告了行特定系数δ?*：爱荷华州几乎所有剩余州的系数显著（5%水平），仅北达科他州不显著；俄亥俄州仅伊利诺伊州显著。表6报告了列特定系数γ?*：就业与失业显著，工时不显著。表7报告了联合系数γ?*?δ?*：工时不显著，就业与失业在爱荷华州显著的各州中均显著。结果表明，爱荷华州的农业周期广泛传递至区域，而俄亥俄州的制造业动态仅与伊利诺伊州联系统计显著。

**5.4 与Crone和Clayton-Matthews（2005）的比较**。伪结构模型提取的一致成分与基准状态空间模型提取的潜在因子高度相关，除北达科他州（0.587）和南达科他州（0.679）外，其余七州相关系数在0.855至0.935之间，验证了伪结构方法的经济意义。

**讨论与结论**

研究引入了伪结构框架，通过Kronecker积结构将RRMAR中的同期共同波动分解为行特定、列特定和联合成分，并提供了显式推断方法及秩选准则。模拟证实了估计与推断的良好有限样本性质。美国中西部各州的应用揭示了不同经济结构主导的差异化共同波动模式。研究结论翻译如下：本文提出了一种针对降秩矩阵值时间序列模型的伪结构框架，能够将同期共同波动分解为行特定、列特定和联合成分。通过利用降秩矩阵自回归模型的Kronecker积结构，推导出可消除序列相关的可解释线性组合，类似于向量自回归中的共同特征分析。该方法提供了对这些共同波动结构的显式推断，并辅以应对非凸优化的估计程序和经模拟验证的秩-滞后选择准则。对美国中西部九个州一致指标的实证应用揭示了州和指标维度上的独特共同波动模式：爱荷华州的农业周期广泛传递至整个区域，而俄亥俄州的制造业动态主要与伊利诺伊州相关联。所有代码和复现材料均可在第二作者的GitHub仓库PseudoStructuralComovements中获取。未来可扩展至张量值时间序列或非同期共同波动的研究方向。