Factor-Adjusted Model Averaging
因子调整的模型平均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：摘要中的因子结构用于通用回归协变量调整，未明确涉及宏观动态因子或金融因子分析。
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
因子调整的模型平均
- 研究问题
- 在解释变量高度相关的高维回归中，如何利用共同因子与特异成分构造模型平均，以改善平方损失表现和估计一致性？
- 方法与思路
- 作者用因子结构分解协变量依赖，将估计的共同因子与特异成分纳入候选模型，再对这些模型的估计量进行平均。
- 材料陈述的贡献
- 摘要称允许共同因子数发散，证明平方损失意义下的渐近最优性，并在候选空间含正确模型时建立一致性。
- 阅读关注点
- 应核对因子数增长条件、因子估计误差的处理、模型平均权重选择，以及最优性所比较的候选模型范围。
- 阅读边界
- 摘要未给出具体权重准则、增长速率和真实数据领域；渐近最优性不意味着任意有限样本或模型空间下均占优。
原文摘要
We propose a model averaging method for high-dimensional regression with highly correlated covariates. We use a factor structure to model the covariate dependence, allowing the covariates to be decomposed into two uncorrelated or weakly correlated latent components: common factors and idiosyncratic components. The number of common factors is allowed to diverge. We average estimators from factor-adjusted candidate models with augmented predictors composed of estimated common factors and idiosyncratic components. We prove the asymptotic optimality in the sense of achieving the lowest squared loss and the consistency when correctly specified models exist in the model space. Numerical experiments and a real-data analysis illustrate the promising performance of the proposed method.