The Spurious Factor Dilemma: Robust Inference in Heavy-Tailed Elliptical Factor Models
伪因子困境：重尾椭圆因子模型中的稳健推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究椭圆因子模型、共同因子个数及特征值识别，最贴近所列因子模型方向。
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…
伪因子困境：重尾椭圆因子模型中的稳健推断
- 研究问题
- 论文研究重尾噪声产生的异常特征值为何会被误认为共同因子，以及如何在椭圆因子模型中区分真实因子与噪声诱导的伪因子。
- 方法与思路
- 作者提出波动放大算法，通过放大扰动比较特征值的波动程度，并据此构造正式检验以选择重尾模型中的共同因子数量。
- 材料陈述的贡献
- 摘要称真实因子的特征值在所述条件下较稳定，而重尾伪特征值波动更大；理论、模拟与真实数据分析支持这一区分方法。
- 阅读关注点
- 应核对重尾与椭圆分布条件、扰动机制、因子强度和维度渐近框架，以及检验阈值、错误率与因子数选择一致性的依据。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明所谓温和条件的具体内容，也未给出检验性能数值。
原文摘要
Standard methods for determining the number of factors often overestimate the true number when data exhibit heavy-tailed randomness, misinterpreting noise-induced outliers as genuine factors. This paper addresses this challenge within the framework of Elliptical Factor Models (EFM), which accommodate both heavy tails and potential non-linear dependencies common in real-world data. We demonstrate, both theoretically and empirically, that heavy-tailed noise generates spurious eigenvalues that mimic true factor signals. To distinguish these, we propose a novel methodology based on a fluctuation magnification algorithm. Under mild conditions, we show that, by magnifying perturbations, the eigenvalues associated with real factors exhibit significantly less fluctuation (stabilizing asymptotically) than spurious eigenvalues arising from heavy-tailed effects. We develop a formal testing procedure based on this principle and apply it to the problem of accurately selecting the number of common factors in heavy-tailed EFMs. Simulation studies and real data analysis confirm the effectiveness of our approach, particularly in scenarios with pronounced heavy-tailedness.