Identification through sparsity in factor models: The ℓ 1 ‐rotation criterion
利用稀疏性识别因子模型：ℓ₁ 旋转准则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：摘要研究通用线性因子模型，未交代两项经济应用的具体领域，证据不足以区分宏观因子与金融因子。
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
利用稀疏性识别因子模型：ℓ₁ 旋转准则
- 研究问题
- 线性因子模型的旋转不识别问题能否通过局部因子带来的载荷稀疏性解决，从而赋予各因子更明确的经济解释？
- 方法与思路
- 作者提出最小化载荷矩阵 ℓ₁ 范数的旋转准则，在局部因子仅影响部分观测变量的稀疏假设下研究识别。
- 材料陈述的贡献
- 摘要称给出识别的充分条件，真载荷矩阵是最稀疏旋转且可由该准则恢复，并报告模拟比较、经济应用及配套 R 包。
- 阅读关注点
- 应核对稀疏性的精确定义、识别允许的等价变换、最稀疏旋转与 ℓ₁ 最小化的联系，以及优化算法能否找到目标解。
- 阅读边界
- 解读限于所给 Crossref 摘要；摘要未说明充分条件、应用领域或比较幅度，不能将模拟中的表现推广为普遍优势。
原文摘要
Linear factor models are generally not identified. We provide sufficient conditions for identification: Under a natural sparsity assumption (the presence of local factors that affect only subsets of observables), the true loading matrix is the sparsest rotation and can be recovered by minimizing the ℓ 1 ‐norm of the loading matrix. This enables economically meaningful interpretation of the individual factors. More generally, our ℓ 1 ‐rotation criterion offers a novel approach to simplify the loading matrix and performs well relative to existing methods (e.g., Varimax, Kaiser (1958)) in our simulations. We illustrate our method in two economic applications. The R package l1rotation implements the method and facilitates adoption.