Nearest comoment estimation with unobserved factors
未观测因子下的最近共矩估计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：潜在因子用于一般多元分布，应用横跨组合配置与能力评分，摘要不足以明确归入金融或宏观因子模型。
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
未观测因子下的最近共矩估计
- 研究问题
- 当多元分布具有低维潜在因子结构时，如何利用这一结构估计高阶共矩，并改善直接使用样本共矩的估计精度？
- 方法与思路
- 作者提出高阶共矩的最小距离估计量，推导影响函数及渐近性质，并通过模拟、非高斯目标下的组合配置等应用考察表现。
- 材料陈述的贡献
- 摘要称证明一致性与渐近正态性，模拟显示相对传统样本共矩的较大精度增益，并展示组合配置与能力评分应用。
- 阅读关注点
- 应核对潜在因子结构的限制、共矩存在所需条件、距离权重的选择，以及精度改善对因子维度和模型误设的敏感性。
- 阅读边界
- 仅据所给出版社摘要，无法判断具体矩条件和精度增益幅度；模拟优势不能自动推广至结构误设或任意多元分布。
原文摘要
We propose a minimum distance estimator for the higher-order comoments of a multivariate distribution exhibiting a lower dimensional latent factor structure. We derive the influence function of the proposed estimator and prove its consistency and asymptotic normality. The simulation study confirms the large gains in accuracy compared to the traditional sample comoments. The empirical usefulness of the novel framework is shown in applications to portfolio allocation under non-Gaussian objective functions and to the extraction of factor loadings in a dataset with mental ability scores.