动态大空间协方差矩阵估计及其在基于变量聚类的半参数模型构建中的应用：SCE 方法

为了更好地理解经济和金融时间序列大面板数据的空间结构，并为构建半参数模型提供指导，本文首先考虑在 ${{\log J \, \cx^*(\ct)}}/{T} = \Co(1)$（前一种方案带有某种时间相依度量 $\cx^*(\ct)$）或 $\log J /{T} = \Co(1)$（后一种方案带有某个上界混合系数）的条件下，通过硬阈值正则化估计广义 $m$-相依和 $\beta$-混合时间序列（含 $J$ 个变量和 $T$ 个观测）的大空间协方差矩阵。我们量化了估计量收敛速度与时间相依程度之间的相互作用，讨论了一种用于阈值选择的直观重抽样方案，并证明了一个支持该方案的一般交叉验证结果。在获得一致估计的协方差（相关）矩阵后，利用其与图模型和半参数方法的自然联系，在对（解释）变量进行“筛选”之后，我们实施了一种新颖的前向（和后向）标签置换程序来聚类“相关”变量，并构建相应的半参数模型，进而通过带符号约束的分组降维方法对该模型进行估计。我们将这种用于对具有复杂空间结构的高维数据建模的方法称为 SCE（筛选 - 聚类 - 估计）方法。最后，我们将此方法应用于研究经济和金融时间序列大面板数据的空间结构，并找到了用于估计消费者价格指数 (CPI) 的适当半参数结构，以说明其相对于线性模型的优越性。