Shrinkage Estimation of High-Dimensional Factor Models with Structural Instabilities
存在结构不稳定性的高维因子模型收缩估计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：摘要研究大型面板潜在因子的结构变化，并应用于美国宏观与金融时间序列面板。
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…
存在结构不稳定性的高维因子模型收缩估计
- 研究问题
- 大型面板中潜在因子数量及载荷可能随时间变化、断点未知时，如何识别断点前后的因子结构与载荷稳定性？
- 方法与思路
- 作者提出自适应 group-LASSO，用交叉验证调节惩罚，并在确定因子数量后用常规最小二乘估计断点。
- 材料陈述的贡献
- 摘要称，该方法可一致确定断点前后因子数量，并在数量不变时判断载荷稳定性，随后一致估计断点。
- 阅读关注点
- 应核对断点与载荷变化的设定、一致选择所需条件、交叉验证方案，以及因子数量选择与断点估计的衔接。
- 阅读边界
- 摘要未给出维度增长、断点位置或变化强度等条件；大衰退应用也不能单独证明识别出的变化具有因果含义。
原文摘要
In large-scale panel data models with latent factors the number of factors and their loadings may change over time. Treating the break date as unknown, this article proposes an adaptive group-LASSO estimator that consistently determines the numbers of pre- and post-break factors and the stability of factor loadings if the number of factors is constant. We develop a cross-validation procedure to fine-tune the data-dependent LASSO penalties and show that after the number of factors has been determined, a conventional least-squares approach can be used to estimate the break date consistently. The method performs well in Monte Carlo simulations. In an empirical application, we study the change in factor loadings and the emergence of new factors in a panel of U.S. macroeconomic and financial time series during the Great Recession.