Testing for sparse idiosyncratic components in factor-augmented regression models
因子增广回归中稀疏特异成分的检验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：摘要直接研究因子回归，并明确在宏观经济数据中检验因子之外的稀疏成分。
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
因子增广回归中稀疏特异成分的检验
- 研究问题
- 在稠密因子回归之外，结果变量是否还需要稀疏特异成分解释，如何在时间依赖与多项式尾部条件下检验这一增量结构？
- 方法与思路
- 作者提出自助法检验，将纯因子回归与稀疏加稠密备择比较，推导渐近性质，并提出具有理论依据的数据驱动调参规则。
- 材料陈述的贡献
- 摘要称，模拟中检验对稀疏备择具有较高功效，对稠密偏离功效较低；宏观与金融应用经常拒绝原假设，并提供 R 包实现。
- 阅读关注点
- 应核对因子估计误差、自助法对时间依赖的处理、调参规则及尾部限制，尤其关注稠密偏离下低功效对结果解释的影响。
- 阅读边界
- 仅依据所给出版社摘要；具体功效、数据和正则条件未说明，拒绝因子模型及对稀疏性的解释仍需核对检验适用条件。
原文摘要
We propose a novel bootstrap test of a dense model, namely factor regression, against a sparse plus dense alternative model augmented with sparse idiosyncratic components. The asymptotic properties of the test are established under time series dependence and polynomial tails. We outline a data-driven rule to select the tuning parameter and prove its theoretical validity. In simulation experiments, our procedure exhibits high power against sparse alternatives and low power against dense deviations from the null. Moreover, we apply our test to various datasets in macroeconomics and finance and often reject the null. This suggests the presence of sparsity — on top of a dense component — in commonly studied economic applications. The R package ‘FAS’ implements our approach.