Missingness-Adaptive Factor Identification in High-Dimensional Data
高维数据中适应缺失模式的因子识别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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要仅提供通用高维因子模型与缺失数据方法，未明确宏观或金融应用，不足以指定相应因子领域。
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
高维数据中适应缺失模式的因子识别
- 研究问题
- 高维因子模型存在同质或异质缺失时，哪些因子仍可可靠恢复，如何在不先填补数据的情况下确定可识别因子的数量？
- 方法与思路
- 作者定义缺失数据下的可识别因子，提出缺失自适应阈值估计量 MATE，在若干结构条件下证明一致性，并开展模拟与应用。
- 材料陈述的贡献
- 摘要称 MATE 无需数据填补，可适应不同缺失模式且不施加限制性因子强度假设；作者报告其在所比较设置中表现更稳健。
- 阅读关注点
- 应核对可识别因子的定义、缺失机制和结构条件，阈值选择如何依赖缺失模式，以及弱因子下的比较方法与评价指标。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；具体条件、应用领域及比较数值未说明，首创性与普遍优势尚未核验。
原文摘要
Determining the number of factors in high-dimensional factor models remains a fundamental challenge, particularly when data are incomplete. This paper introduces the concept of identifiable factors, those that can be reliably recovered despite missing observations, and proposes the Missingness-Adaptive Thresholding Estimator (MATE). To our knowledge, MATE is the first missingness-adaptive framework for factor number determination that accommodates both homogeneous and heterogeneous missingness without imposing restrictive assumptions on factor strength. Notably, it operates without data imputation, circumventing the computational burden associated with most existing approaches. We establish a rigorous theoretical foundation for MATE, proving its consistency under a range of structural conditions. Extensive simulations and real-world applications demonstrate that MATE consistently outperforms state-of-the-art methods, exhibiting superior robustness in settings with high missingness rates and weak factor signals.