Asymptotics of the principal components estimator of large factor models with weakly influential factors
弱影响因子下大型因子模型主成分估计量的渐近理论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：摘要直接研究大型因子模型的主成分估计，并检验美国股票收益的因子内容，支持因子模型与金融因子方向。
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
弱影响因子下大型因子模型主成分估计量的渐近理论
- 研究问题
- 当因子的解释力未显著压过具有截面和时间相关性的特异项时，主成分估计会产生何种偏离，哪些因子仍可有效提取？
- 方法与思路
- 作者构建漂移参数渐近框架，推导主成分不一致程度及部分回归系数的极限分布，并提出适用因子数量的估计方法。
- 材料陈述的贡献
- 摘要称，文章给出不一致程度及特定情形下渐近协方差的显式公式，说明分布参数估计方式，并应用于美国股票收益。
- 阅读关注点
- 应核对因子强度与特异项相关性的尺度、可有效提取因子数量的定义，以及正态性特殊情形和分布参数估计条件。
- 阅读边界
- 仅据所给出版社摘要，不一致结论限于所设渐近框架，不能推广至全部因子模型；具体公式与实证结果未说明，不推断版本变化。
原文摘要
This paper introduces a drifting-parameter asymptotic framework to derive accurate approximations to the finite sample distribution of the principal components (PC) estimator in situations when the factors’ explanatory power does not strongly dominate the explanatory power of the cross-sectionally and temporally correlated idiosyncratic terms. Under our asymptotics, the PC estimator is inconsistent. We find explicit formulae for the amount of the inconsistency, and propose an estimator of the number of factors for which the PC estimator works reasonably well. For the special case when the idiosyncratic terms are cross-sectionally but not temporally correlated (or vice versa), we show that the coefficients in the OLS regressions of the PC estimates of factors (loadings) on the true factors (true loadings) are asymptotically normal, and find explicit formulae for the corresponding asymptotic covariance matrix. We explain how to estimate the parameters of the derived asymptotic distributions. Our Monte Carlo analysis suggests that our asymptotic formulae and estimators work well even for relatively small n and T. We apply our theoretical results to test a hypothesis about the factor content of the US stock return data.