Statistical analysis of factor models of high dimension
高维因子模型的统计分析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。
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：摘要直接研究以变量数 N 和观测数 T 表述的高维因子模型及其识别与估计。
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
高维因子模型的统计分析
- 研究问题
- 当变量数量与观测数量相当甚至更大时，如何建立因子模型极大似然估计的推断理论，并理解识别约束的影响？
- 方法与思路
- 作者研究五组不同识别条件下的极大似然估计，将异方差与其他参数共同估计，并考察其相对主成分方法的效率。
- 材料陈述的贡献
- 摘要称建立一致性、收敛速度与极限分布，并指出极大似然估计量的分布依赖识别限制，同时明确允许异方差。
- 阅读关注点
- 应核对五组识别约束对应哪些参数、横截面与时间维度如何增长，以及异方差设定和效率比较各自的适用条件。
- 阅读边界
- 以下沿用原解读对于其预印本摘要的限制：这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列出识别约束、似然假设及相对主成分效率的具体结论。 复用旧预印本摘要解读；摘要与本条目相同，未另读刊稿全文，原请求未记录具体预印本版本。
原文摘要
This paper considers the maximum likelihood estimation of factor models of high dimension, where the number of variables (N) is comparable with or even greater than the number of observations (T). An inferential theory is developed. We establish not only consistency but also the rate of convergence and the limiting distributions. Five different sets of identification conditions are considered. We show that the distributions of the MLE estimators depend on the identification restrictions. Unlike the principal components approach, the maximum likelihood estimator explicitly allows heteroskedasticities, which are jointly estimated with other parameters. Efficiency of MLE relative to the principal components method is also considered.