Efficient estimation of approximate factor models via penalized maximum likelihood
通过惩罚最大似然高效估计近似因子模型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：摘要的核心对象是近似因子模型及共同因子、载荷的估计，直接对应因子模型；未明确金融因子应用。
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
通过惩罚最大似然高效估计近似因子模型
- 研究问题
- 近似因子模型同时存在横截面依赖与异方差时，如何处理大型误差协方差矩阵，并联合估计因子载荷以改善估计和预测表现？
- 方法与思路
- 作者最大化高斯准似然，对稀疏误差协方差矩阵施加加权ℓ₁惩罚，联合估计载荷与协方差，并与多种主成分方法数值比较。
- 材料陈述的贡献
- 摘要称该方法联合处理载荷与误差协方差估计；数值研究显示，在横截面依赖和异方差存在时，其估计与预测表现良好。
- 阅读关注点
- 应核对协方差稀疏性与因子识别条件、惩罚权重及优化算法，以及数值比较如何设定依赖结构、异方差和预测任务。
- 阅读边界
- 仅据所给出版社摘要，具体效率定理、算法收敛条件和比较数值未说明；表现良好不等于在所有设计中优于主成分方法。
原文摘要
We study an approximate factor model in the presence of both cross sectional dependence and heteroskedasticity. For efficient estimations it is essential to estimate a large error covariance matrix. We estimate the common factors and factor loadings based on maximizing a Gaussian quasi-likelihood, through penalizing a large covariance sparse matrix. The weighted ℓ1 penalization is employed. While the principal components (PC) based methods estimate the covariance matrices and individual factors and loadings separately, they require consistent estimation of residual terms. In contrast, the penalized maximum likelihood method (PML) estimates the factor loading parameters and the error covariance matrix jointly. In the numerical studies, we compare PML with the regular PC method, the generalized PC method (Choi 2012) combined with the thresholded covariance matrix estimator (Fan et al. 2013), as well as several related methods, on their estimation and forecast performances. Our numerical studies show that the proposed method performs well in the presence of cross-sectional dependence and heteroskedasticity.