IDENTIFICATION OF JOINT DISTRIBUTIONS IN DEPENDENT FACTOR MODELS
相依因子模型中联合分布的识别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：摘要以线性因子模型和潜在因子的联合分布识别为核心，直接对应因子模型方向。
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
相依因子模型中联合分布的识别
- 研究问题
- 在线性因子允许任意相依、载荷系数已知的设定下，何种秩条件能够识别潜在因子的非参数联合分布及其均值和方差？
- 方法与思路
- 作者利用观测变量对数特征函数的一阶和二阶偏导识别因子联合分布，并由闭式公式构造涉及逆傅里叶变换的估计量。
- 材料陈述的贡献
- 摘要称给出联合分布识别的必要充分条件及一致收敛估计量，收入动态示例允许部分冲击任意相依，模拟展示较紧置信带。
- 阅读关注点
- 应核对已知载荷与矩阵秩条件、特征函数求导和反演要求，以及必要充分条件的适用范围与置信带构造及覆盖率。
- 阅读边界
- 仅依据所给 Crossref 摘要；载荷未知时的识别和置信带覆盖性质未说明，模拟中置信带较紧不能单独证明推断有效。
原文摘要
This paper studies linear factor models that have arbitrarily dependent factors. Assuming that the coefficients are known and that their matrix representation satisfies rank conditions, we identify the nonparametric joint distribution of the unobserved factors using first and then second-order partial derivatives of the log characteristic function of the observed variables. In conjunction with these identification strategies the mean and variance of the vector of factors are identified. The main result provides necessary and sufficient conditions for identification of the joint distribution of the factors. In an illustrative example, we show identification of an earnings dynamics model with a subset of arbitrarily dependent income shocks. Closed-form formulas lead to estimators that converge uniformly and despite being based on inverse Fourier transforms have tight confidence bands around their theoretical counterparts in Monte Carlo simulations.