In-Sample Inference and Forecasting in Misspecified Factor Models
误设因子模型中的样本内推断与预测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：摘要以近似因子模型和多预测变量降维为理论对象，并应用于美国通胀与产出增长预测，对应因子模型及宏观预测。
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
误设因子模型中的样本内推断与预测
- 研究问题
- 面对大量外生预测变量，如何通过降维改善样本内预测和样本外预测，并为不同模型设定选择合适的调节参数？
- 方法与思路
- 作者比较主成分、岭回归、Landweber–Fridman 和偏最小二乘四类降维方法，并以交叉验证选择调节参数。
- 材料陈述的贡献
- 摘要给出病态模型及近似因子模型下的收敛速率与交叉验证最优性，并称若干设定下的预测表现优于常规方法。
- 阅读关注点
- 阅读时应核对误设和病态性的定义、横截面与时间维度的渐近关系，以及交叉验证最优性所针对的损失和预测任务。
- 阅读边界
- 摘要未说明常规比较方法、具体误设机制或优势幅度；对美国通胀和产出增长的结果不能推为所有预测场景的结论。
原文摘要
This article considers in-sample prediction and out-of-sample forecasting in regressions with many exogenous predictors. We consider four dimension-reduction devices: principal components, ridge, Landweber Fridman, and partial least squares. We derive rates of convergence for two representative models: an ill-posed model and an approximate factor model. The theory is developed for a large cross-section and a large time-series. As all these methods depend on a tuning parameter to be selected, we also propose data-driven selection methods based on cross-validation and establish their optimality. Monte Carlo simulations and an empirical application to forecasting inflation and output growth in the U.S. show that data-reduction methods outperform conventional methods in several relevant settings, and might effectively guard against instabilities in predictors’ forecasting ability.