2026年4月27日下午，纽约政治经济学院姚琦伟教授应邀来我院开展以“Identification and Estimation for Matrix Time Series CP-factor Models”为主题的学术讲座。本次讲座在综合楼644会议室举行，由统计与数据科学学院副院长张荣茂教授主持。
姚琦伟，英国伦敦政治经济学院统计系教授，英国皇家统计学会、美国统计协会及数理统计学会的会士，国际统计学会的当选会员。姚琦伟教授是国际知名的统计学家，其研究兴趣包括时间序列分析、高维时间序列建模与预测、降维和因子建模、动态网络建模、时空建模和金融计量经济学等。姚教授已在统计学顶刊JASA、AoS、JRSSB和计量经济学顶刊Econometrica, JoE等上发表论文110余篇，并出版2本专著《非线性时间序列：非参数及参数方法》和《计量金融简要》。在学术编辑方面，他担任了Journal of the Royal Statistical Society (Series B)，Statistica Sinica 的联合主编，及Annals of Statistics，Journal of the American Statistics Association等多个顶级杂志副主编。此外，姚教授还曾为巴克莱银行、法国电力公司以及Winton资本等多家企业提供咨询。
姚琦伟教授的讲座围绕矩阵时间序列CP因子模型的识别与估计问题展开。首先，姚教授介绍了矩阵时间序列的背景。他指出，传统时序分析只考虑单一数值，忽略了变量间的相关性，因此引入矩阵形式的多维观测能更全面地捕捉信息。针对此类数据，经典CP分解常采用交替最小二乘（ALS）算法进行迭代求解，即固定两个因子矩阵迭代求解第三个。而Chang等人（2023）提出的广义特征分析法虽无需迭代，但要求两个因子载荷矩阵均为满秩，这在实际应用中限制了模型的适用性。在此基础上，姚教授重点介绍了其团队提出的创新性方法。该方法基于矩阵的谱分解，利用特征值和特征向量给出一步估计的算法。新方法不仅避免了传统ALS估计迭代计算的麻烦，也克服了Chang等人（2023）对于载荷矩阵秩满秩的限制。最后，姚教授给出所提方法的渐近理论，并通过数值分析说明了新估计量比Chang等人（2023）的方法具有更小的估计误差，并且与大多数基于特征分析的方法不同，新估计量完全不受特征间隙的不利影响。姚教授的报告聚焦时间序列的研究前沿，为高维矩阵时间序列理论与应用的研究提供了很好的思路和视角。
在互动交流环节，姚琦伟教授与现场师生就因子载荷矩阵在实际应用中的意义、CP分解方法的选择等问题展开了深入交流。最后，张荣茂教授对本次讲座进行总结，同时向带来精彩分享的姚琦伟教授，以及积极参与互动的全体师生致以诚挚谢意。
