Estimation and inference of change points in high-dimensional factor models
高维因子模型中变点的估计与推断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：摘要研究高维因子载荷突变，并明确应用于美国宏观经济和股票市场。
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
高维因子模型中变点的估计与推断
- 研究问题
- 高维因子模型的载荷矩阵在未知时点发生结构突变时，使用估计因子能否准确定位断点，尤其在突变幅度较小时如何进行推断？
- 方法与思路
- 作者先用主成分分析估计不可观测因子，再研究断点的最小二乘估计，推导一致性条件与渐近分布，并开展模拟和两项实证应用。
- 材料陈述的贡献
- 摘要称，一致性结果覆盖大幅和小幅突变，且给出断点估计量的渐近分布；模拟显示小幅突变下也能较准确地估计断点。
- 阅读关注点
- 应核对因子估计误差如何进入断点推断、大小突变的定义及样本维度增长要求，并检查股市和宏观应用中的载荷突变解释。
- 阅读边界
- 所给出版社摘要只说明载荷矩阵在未知时点突变，未提供条件、分布公式或数值；不能据此推断多重断点或其他突变形式的适用性。
原文摘要
In this paper, we consider the estimation of break points in high-dimensional factor models where the unobserved factors are estimated by principal component analysis (PCA). The factor loading matrix is assumed to have a structural break at an unknown time. We establish the conditions under which the least squares (LS) estimator is consistent for the break date. Our consistency result holds for both large and small breaks. We also find the LS estimator’s asymptotic distribution. Simulation results confirm that the break date can be accurately estimated by the LS even if the magnitudes of breaks are small. In two empirical applications, we implement the method to estimate break points in the U.S. stock market and U.S. macroeconomy, respectively.