Shrinkage Estimation of Factor Models With Global and Group-Specific Factors
含全局因子与组特定因子的因子模型收缩估计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：摘要核心是全局与组特定因子的估计和数量选择，并应用于欧元区、美国及英国宏观变量，直接对应宏观因子模型。
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
含全局因子与组特定因子的因子模型收缩估计
- 研究问题
- 在包含多个变量组的因子模型中，如何区分影响所有变量的全局因子与仅影响组内变量的因子，并同时确定载荷和因子数？
- 方法与思路
- 作者提出分别识别两类因子张成空间的方法，再以自适应组 LASSO 收缩估计载荷并选择因子数，用信息准则选择调节参数。
- 材料陈述的贡献
- 摘要称可一致估计载荷并同时确定因子数，且选择真实模型的概率趋于一；模拟与跨地区宏观变量应用展示其表现。
- 阅读关注点
- 应核对全局与组特定因子空间可分离的条件、组划分与因子强度限制，以及收缩惩罚和信息准则在模型选择中的作用。
- 阅读边界
- 摘要未列出空间识别和模型选择一致性所需的完整条件；宏观应用中的因子数是特定数据集结果，不能据此认定普遍结构。
原文摘要
This article develops an adaptive group lasso estimator for factor models with both global and group-specific factors. The global factors can affect all variables, whereas the group-specific factors are only allowed to affect the variables within a certain group. We propose a new method to separately identify the spaces spanned by global and group-specific factors, and we develop a new shrinkage estimator that can consistently estimate the factor loadings and determine the number of factors simultaneously. The asymptotic result shows that the proposed estimator can select the true model specification with a probability approaching one. An information criterion is developed to select the optimal tuning parameters in the shrinkage estimation. Monte Carlo simulations confirm our asymptotic theory, and the proposed estimator performs well in finite samples. In an empirical application, we implement the proposed method to a dataset consisting of Eurozone, United States, and United Kingdom macroeconomic variables, and we detect one global factor, one U.S.-specific factor, and one Eurozone-specific factor.