Determining the number of factors when the number of factors can increase with sample size
因子数随样本量增长时的因子数量确定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：摘要直接研究具有横截面和时间维度的高维因子模型及因子数量选择。
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
因子数随样本量增长时的因子数量确定
- 研究问题
- 在横截面与时间维度同时增长、真实因子数也可增加的高维因子模型中，如何一致估计因子数量并控制过度或不足选择？
- 方法与思路
- 作者使用与既有因子信息准则相似的准则估计因子数，并提出可在较宽正整数范围内搜索的选择程序。
- 材料陈述的贡献
- 摘要称信息准则可一致估计增长中的因子数，新程序旨在兼顾避免高估与低估，并通过蒙特卡洛研究有限样本性质。
- 阅读关注点
- 应核对因子数允许的增长速度、因子强度与误差条件、信息准则惩罚项，以及搜索上限如何随样本规模确定。
- 阅读边界
- 仅依据所给出版社摘要；增长率约束、准则公式及模拟数值未说明，避免高估或低估的表述不构成有限样本必然正确的保证。
原文摘要
Correctly specifying the number of factors (r) is a fundamental issue for the application of factor models. In this paper we develop an econometric method to estimate the number of factors in factor models of large dimensions where the number of factors is allowed to increase as the two dimensions, cross-section size (N) and time period (T) increase. Using similar information criteria as proposed by Bai and Ng (2002), we show that the number of factors can be consistently estimated using the criteria. We propose a new procedure that avoids over estimating the number of factors while allowing for one to search for possible number of factors over a wide range of positive integers so that it also avoids underestimation of the number of factors. We conduct Monte-Carlo simulation to investigate the finite sample properties of the proposed approach.