A random-perturbation-based rank estimator of the number of factors
基于随机扰动的因子个数秩估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究大维近似因子模型的因子个数估计，与因子模型方向直接相关。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于随机扰动的因子个数秩估计
- 研究问题
- 在大维近似因子模型中，如何估计因子个数，并减轻因子序列持续性以及因子与误差序列依赖带来的偏差？
- 方法与思路
- 作者构造随机扰动型秩估计量，通过展开分析偏差，并利用中心极限定理建立针对单侧和双侧备择的检验。
- 材料陈述的贡献
- 摘要称随机扰动能够减少两类依赖导致的偏差，并给出快于根号样本量收敛的中心极限定理及新的检验程序。
- 阅读关注点
- 应核对扰动机制、因子强度和序列依赖条件，以及较快收敛速率的适用范围、检验统计量与因子个数决策规则。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明速率的具体表达、维度与样本量关系及检验条件，不能推广至任意因子模型。
原文摘要
Summary We introduce a random-perturbation-based rank estimator of the number of factors of a large-dimensional approximate factor model. An expansion of the rank estimator demonstrates that the random perturbation reduces the biases due to the persistence of the factor series and the dependence between the factor and error series. A central limit theorem for the rank estimator with convergence rate higher than root $n$ gives a new hypothesis-testing procedure for both one-sided and two-sided alternatives. Simulation studies verify the performance of the test.