Panel Data Models with Grouped Factor Structure Under Unknown Group Membership
未知组别归属下具有分组因子结构的面板数据模型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：摘要明确研究未知分组的面板因子结构，并应用于共同基金和股票收益，因而归入面板数据与金融因子。
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
未知组别归属下具有分组因子结构的面板数据模型
- 研究问题
- 当面板单位的组别归属、组数及组内共同因子均未知时，如何估计分组因子结构，并选择相关解释变量与模型维度？
- 方法与思路
- 作者以带收缩惩罚的最小二乘估计未知分组与模型参数，允许解释变量较多，回归系数可同质，也可按组变化。
- 材料陈述的贡献
- 摘要称建立估计量的一致性与渐近正态性，提出选择组数、组内因子数及相关变量的 Cp 型准则，并报告模拟与收益数据应用。
- 阅读关注点
- 重点核对分组与因子的识别条件、收缩参数和 Cp 型准则的选取，以及估计分组后的渐近推断如何处理分类误差。
- 阅读边界
- 摘要未说明组别可识别条件、惩罚选择和维度增长要求；所称模拟表现良好不足以判断弱因子或误分组下的稳健性。
原文摘要
Summary This paper studies panel data models with unobserved group factor structures. The group membership of each unit and the number of groups are left unspecified. We estimate the model by minimizing the sum of least squared errors with a shrinkage penalty. The number of explanatory variables can be large. The regressions coefficients can be homogeneous or group specific. The consistency and asymptotic normality of the estimator are established. We also introduce new C p ‐type criteria for selecting the number of groups, the numbers of group‐specific common factors and relevant regressors. Monte Carlo results show that the proposed method works well. We apply the method to the study of US mutual fund returns and to the study of individual stock returns of the China mainland stock markets. Copyright © 2015 John Wiley & Sons, Ltd.