Robust Estimation for Number of Factors in High Dimensional Factor Modeling via Spearman Correlation Matrix
基于 Spearman 相关矩阵的高维因子数稳健估计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：摘要直接研究高维共同因子模型的因子数量及特异误差，最贴近因子模型方向。
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
基于 Spearman 相关矩阵的高维因子数稳健估计
- 研究问题
- 当共同因子或特异误差具有重尾分布，且维度与样本量同比增长时，如何稳健地确定高维因子模型的因子数量？
- 方法与思路
- 作者利用 Spearman 样本相关矩阵的谱性质构造因子数估计量，并在维度和样本量按比例趋于无穷的框架下分析一致性。
- 材料陈述的贡献
- 摘要称，估计方法对共同因子和特异误差中的重尾具有稳健性，在一定条件下保持一致，数值实验展示相对于既有方法的表现。
- 阅读关注点
- 应核对因子数估计规则、共同因子与特异误差的条件，以及维度样本比例、谱分离要求和重尾稳健性的适用边界。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明具体分布条件、因子强度要求或数值结果，不能推断刊本变化和普遍优势。
原文摘要
Determining the number of factors in high-dimensional factor modeling is essential but challenging, especially when the data are heavy-tailed. In this article, we introduce a new estimator based on the spectral properties of Spearman sample correlation matrix under the high-dimensional setting, where both dimension and sample size tend to infinity proportionally. Our estimator is robust against heavy tails in either the common factors or idiosyncratic errors. The consistency of our estimator is established under mild conditions. Numerical experiments demonstrate the superiority of our estimator compared to existing methods. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.