Disentangling Structural Breaks in Factor Models for Macroeconomic Data
区分宏观数据因子模型中的结构断点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：摘要直接研究宏观因子模型中因子方差与因子载荷的结构断点区分。
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
区分宏观数据因子模型中的结构断点
- 研究问题
- 如何区分因子方差变化与因子载荷变化，避免因子方差归一化使两类结构断点混淆，并重新解释大缓和时期的变化？
- 方法与思路
- 作者提出基于投影的分解，将因子结构变化拆为方差和载荷部分，构造可与常用标准分布比较的检验统计量。
- 材料陈述的贡献
- 摘要称，美国宏观数据中的大缓和更适合解释为因子方差断点，并估计其与总因子方差下降超过七成相关。
- 阅读关注点
- 应核对投影分解如何处理因子旋转和归一化、检验统计量的成立条件，以及方差降幅估计的样本设定和不确定性。
- 阅读边界
- 所给 OpenAlex 摘要中的超过七成降幅是作者应用结果；样本、识别条件与区间未说明，不能视为因果结论或推断刊本变化。
原文摘要
We develop a projection-based decomposition to disentangle structural breaks in the factor variance and factor loadings. Our approach yields test statistics that can be compared against standard distributions commonly used in the structural break literature. Because standard methods for estimating factor models in macroeconomics normalize the factor variance, they do not distinguish between breaks of the factor variance and factor loadings. Applying our procedure to U.S. macroeconomic data, we find that the Great Moderation is more naturally accommodated as a break in the factor variance as opposed to a break in the factor loadings, in contrast to extant procedures which do not tell the two apart and thus interpret the Great Moderation as a structural break in the factor loadings. Through our projection-based decomposition, we estimate that the Great Moderation is associated with an over 70% reduction in the total factor variance, highlighting the relevance of disentangling breaks in the factor structure.