张晓梅, 刘程程, 谢邦昌, 秦磊
大数据时代的信息采集能力为时间序列分析带来了更多复杂的数据结构. 矩阵值时间序列常见于宏观经济、金融和管理领域,表现为多个位置多个指标的连续观测. 矩阵自回归模型具有双线性结构和较少的参数个数, 在模型表达和预测方面均优于向量自回归模型. 然而, 矩阵自回归模型仅包含时间维度的预测结构, 未涉及空间维度的预测结构, 因此本文加入含有空间权重矩阵的空间滞后回归项, 提出矩阵值时间序列的时空滞后回归模型. 本文为每个位置和每个变量赋予尺度参数和调整参数, 用于检验空间预测效应是否存在. 由于提出的模型没有内生性问题, 本文采用部分迭代最小二乘法获得良好的参数估计, 给出模型阶数选择的BIC准则和减秩估计, 并针对残差项厚尾分布的数据特征, 提出基于Huber损失函数的稳健估计方法. 模拟数据显示随着样本量的增大, 估计量的偏差和方差逐渐减小. 实际数据说明, 本文提出的模型具有适中的模型复杂程度和最小的样本外预测误差.