Bootstrap Prediction Intervals for Factor Models
因子模型的Bootstrap预测区间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：摘要以大规模变量面板提取的潜在因子构建未来观测值与条件均值的预测区间，直接对应因子模型和预测推断。
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…
因子模型的Bootstrap预测区间
- 研究问题
- 使用大面板提取的潜在因子预测时，如何为未来观测值及其条件均值构造区间，同时处理估计误差并放宽创新项的高斯假设？
- 方法与思路
- 作者把大面板中提取的因子视为潜变量，围绕估计因子与回归系数共同决定的预测构造bootstrap区间，涵盖未来观测与条件均值。
- 材料陈述的贡献
- 摘要称，bootstrap可在更一般条件下构造有效区间，并在截面维度较小时通过降低OLS估计偏差提高区间准确性。
- 阅读关注点
- 核对未来观测值与条件均值区间的区别、bootstrap方案如何处理因子和回归系数估计误差，以及面板维度增长和误差依赖条件。
- 阅读边界
- 摘要未列出重抽样步骤、正则条件或覆盖率数值；其有效性与精度改善均有条件，不能推断任意非高斯误差下都适用。
原文摘要
We propose bootstrap prediction intervals for an observation h periods into the future and its conditional mean. We assume that these forecasts are made using a set of factors extracted from a large panel of variables. Because we treat these factors as latent, our forecasts depend both on estimated factors and estimated regression coefficients. Under regularity conditions, asymptotic intervals have been shown to be valid under Gaussianity of the innovations. The bootstrap allows us to relax this assumption and to construct valid prediction intervals under more general conditions. Moreover, even under Gaussianity, the bootstrap leads to more accurate intervals in cases where the cross-sectional dimension is relatively small as it reduces the bias of the ordinary least-squares (OLS) estimator.