Inference for large dimensional factor models under general missing data patterns
一般缺失模式下高维因子模型的推断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：摘要讨论不平衡面板补全与处理效应推断，并应用于英国党派一致性对拨款分配的影响。
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
一般缺失模式下高维因子模型的推断
- 研究问题
- 面对随机、选择性、分块、混频和末端不齐等缺失模式，如何为大维因子模型估计及相关处理效应建立统一推断？
- 方法与思路
- 作者为缺失数据下的最小二乘因子估计建立统一渐近框架，并建议以核范数正则化估计初始化 EM 算法进行计算。
- 材料陈述的贡献
- 摘要称论文给出因子与载荷空间的平均收敛率，以及因子、载荷、平均处理效应和因子增强回归参数的极限分布。
- 阅读关注点
- 应核对各种缺失模式所需的覆盖和选择条件、处理效应的识别要求，以及 EM 收敛与统计理论保证之间的关系。
- 阅读边界
- 仅依据所给出版社摘要；覆盖多种缺失模式不代表允许任意非随机缺失，摘要未说明具体限制或处理效应识别条件。
原文摘要
This paper establishes the inferential theory for the least squares estimation of large factor models with missing data. We propose a unified framework for asymptotic analysis of factor models that covers a wide range of missing patterns, including heterogenous random missing, selection on covariates/factors/loadings, block/staggered missing, mixed frequency and ragged edge. We establish the average convergence rates of the estimated factor space and loading space, the limit distributions of the estimated factors and loadings, as well as the limit distributions of the estimated average treatment effects and the parameter estimates in the factor-augmented regressions. These results allow us to impute the unbalanced panel appropriately or make inference for the heterogenous treatment effects. For computation, we can use the nuclear norm regularized estimator as the initial value for the EM algorithm and iterate until convergence. Empirically, we apply our method to test the average treatment effects of partisan alignment on grant allocation in UK.