主题

《Principal Component Analysis for Vector Time》

主讲嘉宾

姚琦伟教授

英国伦敦经济与政治科学学教授。姚琦伟教授于1982年毕业于东南大学数学力学系，1987年于武汉大学获统计学博士学位，1989至1991年期间获德国洪堡基金会资助赴德国费莱堡大学及海德堡大学访问，1993至1995年于英国肯特大学任数学与统计学院讲师；2002年至今担任英国伦敦经济与政治科学学院统计系任教授（readerinstatistics），2002年起任该系系主任（chairinstatistics）；2002年至今担任北大光华管理学院商务统计与经济计量系特聘教授，2010年开始担任北京大学统计科学中心科学委员会委员； 姚琦伟教授一直从事统计学的教学和科研工作，主要研究领域为：非线性及线性时间序列分析、非参数回归分析、时空过程分析、经验似然及bootstrap方法,以及统计在金融、经济等方面中的应用；迄今已发表学术论文70余篇，并在多家知名统计学杂志担任副主编和联合编辑（co-editor）.他还是皇家统计学会荣誉会员、国际统计研究所推选成员、美国统计协会、数理统计学会，泛华统计学会会员。

时间

2017年12月20日下午2：00-3：00

地点

行政东楼前座412会议室

主办单位

经济与统计学院及岭南统计科学研究中心

讲座内容简介

We extend the principal component analysis (PCA) to second-order stationary vector time series in the sense that we seek for a contemporaneous linear transformation for a p-variate time series such that the transformed series is segmented into sever allower-dimensional subseries, and those subseries are uncorrelated with each other both contemporaneously and serially. Therefore those lower-dimensional series can be analysed separately as far as the linear dynamic structureis concerned.Technically itboils down to an eigenanalysis for apositive definite matrix.When $p$ is large, an additional step is required to perform a permutation interms ofeither maximum cross-correlations or FDR based on multiple tests. The asymptotic theory is established for both fixed p diverging p when the samplesize n tends toinfinity. Numerical experiments with both simulated and real datasets indicate that the proposed method is an effective initial step inanalysing multiple time series data, which leads to substantial dimension reduction in modelling and forecasting high-dimensional linear dynamical structures. Unlike PCA for independent data, there is no guarantee that the required linear transformation exists. When it does not, the proposed method provides an approximate segmentation which leads to the advantages in,for example, forecasting for future values.The method can alsobe adapted tosegment multiple volatility processes.