Estimation of large dimensional factor models with an unknown number of breaks
断点数量未知的大维因子模型估计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：摘要明确研究大维因子载荷的未知结构变化，并应用于美国月度宏观数据，因此直接对应因子模型与结构变化方向。
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
断点数量未知的大维因子模型估计
- 研究问题
- 在大维因子模型的因子载荷随时间发生未知次数变化时，如何同时判断是否存在断点、确定断点数量并估计其位置？
- 方法与思路
- 作者先分段拟合常规因子模型，再用自适应融合组Lasso筛选含断点区间，最后通过网格搜索定位各区间中的断点。
- 材料陈述的贡献
- 摘要称方法以趋于一的概率识别正确变化数量并估计位置；美国月度宏观数据应用在1959—2006年识别出五个载荷断点。
- 阅读关注点
- 应核对初始分段与惩罚参数选择、断点间距和变化幅度条件、因子维数处理，以及数量识别和位置估计的误差界。
- 阅读边界
- 仅据所给出版社摘要，无法判断断点检测条件、定位精度或实证日期；五个断点属于作者在特定数据和方法下的识别结果。
原文摘要
In this paper we study the estimation of a large dimensional factor model when the factor loadings exhibit an unknown number of changes over time. We propose a novel three-step procedure to detect the breaks if any and then identify their locations. In the first step, we divide the whole time span into subintervals and fit a conventional factor model on each interval. In the second step, we apply the adaptive fused group Lasso to identify intervals containing a break. In the third step, we devise a grid search method to estimate the location of the break on each identified interval. We show that with probability approaching one our method can identify the correct number of changes and estimate the break locations. Simulation studies indicate superb finite sample performance of our method. We apply our method to investigate Stock and Watson’s (2009) U.S. monthly macroeconomic dataset and identify five breaks in the factor loadings, spanning 1959–2006.