Penalized Principal Component Analysis for Large-dimension Factor Model with Group Pursuit
带群组识别的高维因子模型惩罚主成分分析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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确研究高维近似因子模型中的共同因子、因子载荷及潜在群组识别。
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…
带群组识别的高维因子模型惩罚主成分分析
- 研究问题
- 当同一潜在群组中的个体具有同质因子载荷时，如何同时估计高维近似因子模型并识别未知分组，以改善估计效率？
- 方法与思路
- 作者提出融合惩罚主成分分析，给出二范数优化的闭式解，再结合层次聚类和信息准则识别群组，并按分组重新估计载荷与因子。
- 材料陈述的贡献
- 摘要称，论文建立惩罚估计的渐近性质及成员、群组数估计的一致性，并在一定条件下证明聚类后估计较传统主成分分析有效率增益。
- 阅读关注点
- 应核对群内同质性的设定、惩罚强度选择、群组可分离条件，以及误分组如何影响因子估计和理论效率比较。
- 阅读边界
- 这是预印本，不能据此声称已同行评审或期刊接收。摘要未给出正则条件、效率增益幅度或金融应用细节，不能推断任意分组均有改善。
原文摘要
This paper investigates the intrinsic group structures within the framework of large-dimensional approximate factor models, which portrays homogeneous effects of the common factors on the individuals that fall into the same group. To this end, we propose a fusion Penalized Principal Component Analysis (PPCA) method and derive a closed-form solution for the $\ell_2$-norm optimization problem. We also show the asymptotic properties of our proposed PPCA estimates. With the PPCA estimates as an initialization, we identify the unknown group structure by a combination of the agglomerative hierarchical clustering algorithm and an information criterion. Then the factor loadings and factor scores are re-estimated conditional on the identified latent groups. Under some regularity conditions, we establish the consistency of the membership estimators as well as that of the group number estimator derived from the information criterion. Theoretically, we show that the post-clustering estimators for the factor loadings and factor scores with group pursuit achieve efficiency gains compared to the estimators by conventional PCA method. Thorough numerical studies validate the established theory and a real financial example illustrates the practical usefulness of the proposed method.