Homogeneity and Structure Identification in Semiparametric Factor Models
半参数因子模型中的同质性与结构识别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：摘要明确以资产收益的因子模型为研究背景，研究潜在因子的变换及载荷同质分组，支持金融因子方向。
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
半参数因子模型中的同质性与结构识别
- 研究问题
- 如何在半参数因子模型中识别变换后因子的线性成分与载荷同质分组，并利用组内共同信息提高估计效率？
- 方法与思路
- 作者结合 B 样条逼近与 SCAD 惩罚识别变换后因子的线性成分，再用二元分割识别载荷同质组并汇集组内信息。
- 材料陈述的贡献
- 摘要称建立正则化估计与分组程序的渐近性质，并通过组内信息汇集提高估计效率；模拟和实证用于评估有限样本表现。
- 阅读关注点
- 重点核对潜在因子及其变换的识别约束、惩罚参数选择、二元分割的理论保证，以及错误分组对汇集估计的影响。
- 阅读边界
- 摘要未说明因子与变换的识别约束、分组成立条件或真实数据类型；效率改善的条件及数值证据仍需全文核对。
原文摘要
Factor modeling is an essential tool for exploring intrinsic dependence structures in financial and economic studies through the construction of common latent variables, including the famous Fama–French three factor models for the description of asset returns in finance. However, most of the existing statistical methods for analyzing latent factors have been developed through a linear approach. In this article, we consider a semiparametric factor model and present a regularized estimation procedure for linear component identification on the transformed factor that combines B-spline basis function approximations and the smoothly clipped absolute deviation penalty. In addition, a binary segmentation based algorithm is also developed to identify the homogeneous groups in loading parameters, producing more efficient estimation by pooling information across units within the same group. We carefully derive the asymptotic properties for the proposed procedures. Finally, simulation studies and a real data analysis are conducted to evaluate the finite sample performance of our proposals.