LIMIT THEOREMS FOR FACTOR MODELS
因子模型的极限定理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：题名和摘要直接讨论因子模型的极限理论及相关两步估计推断。
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
因子模型的极限定理
- 研究问题
- 在大量地区或资产的长时间观测中，如何对逐个估计后再汇总的异质参数进行有效推断，并处理横截面依赖及方差估计困难？
- 方法与思路
- 作者建立涵盖横截面与时间聚合及时间聚合误差二次型的中心极限定理，研究渐近方差估计条件，并提出替代 bootstrap 方案。
- 材料陈述的贡献
- 摘要称结果可支持因子模型相关两步估计的推断；方法避免对横截面依赖作结构建模，但明确施加了时间序列独立性。
- 阅读关注点
- 应核对横截面与时间维度的联合增长条件、异质参数估计误差如何进入极限，以及方差不可一致估计时 bootstrap 的依据。
- 阅读边界
- 摘要未给出完整中心极限定理条件及 bootstrap 构造，时间独立性也限制了直接应用；这里只解读所给 Crossref 摘要。
原文摘要
This paper establishes central limit theorems (CLTs) and proposes how to perform valid inference in factor models. We consider a setting where many counties/regions/assets are observed for many time periods, and when estimation of a global parameter includes aggregation of a cross-section of heterogeneous microparameters estimated separately for each entity. The CLT applies for quantities involving both cross-sectional and time series aggregation, as well as for quadratic forms in time-aggregated errors. This paper studies the conditions when one can consistently estimate the asymptotic variance, and proposes a bootstrap scheme for cases when one cannot. A small simulation study illustrates performance of the asymptotic and bootstrap procedures. The results are useful for making inferences in two-step estimation procedures related to factor models, as well as in other related contexts. Our treatment avoids structural modeling of cross-sectional dependence but imposes time-series independence.