Bridging factor and sparse models
连接因子模型与稀疏模型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：摘要明确研究高维面板数据及共同因子，直接对应面板与因子方法，未说明具体宏观或微观应用场景。
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…
连接因子模型与稀疏模型
- 研究问题
- 如何在高维数据中同时利用共同因子和稀疏回归的信息，并处理横截面依赖对模型选择与解释的影响？
- 方法与思路
- 作者提出基于因子增强回归的提升方法，分步处理可观测或潜在共同因子及特异成分，并检验剩余依赖。
- 材料陈述的贡献
- 摘要称该框架包含主成分与稀疏回归两个特例，建立相关理论及高维部分协方差检验的乘子自助法有效性。
- 阅读关注点
- 应核对因子与稀疏部分的区分条件、分步估计误差的传递，以及协方差检验和乘子自助法适用的具体条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体理论条件及模拟、应用结果未提供，不能据此判断普遍优势或刊本变化。
原文摘要
Factor and sparse models are widely used to impose a low-dimensional structure in high-dimensions. However, they are seemingly mutually exclusive. We propose a lifting method that combines the merits of these two models in a supervised learning methodology that allows for efficiently exploring all the information in high-dimensional datasets. The method is based on a flexible model for high-dimensional panel data with observable and/or latent common factors and idiosyncratic components. The model is called the factor-augmented regression model. It includes principal components and sparse regression as specific models, significantly weakens the cross-sectional dependence, and facilitates model selection and interpretability. The method consists of several steps and a novel test for (partial) covariance structure in high dimensions to infer the remaining cross-section dependence at each step. We develop the theory for the model and demonstrate the validity of the multiplier bootstrap for testing a high-dimensional (partial) covariance structure. A simulation study and applications support the theory.