Fixed-order PCA: Theory for Overestimated Factor Models
固定阶数 PCA：因子数量高估时的理论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：摘要核心是高维因子模型的 PCA 理论，并明确给出处理效应推断的因子增广回归应用。
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…
固定阶数 PCA：因子数量高估时的理论
- 研究问题
- 高维因子模型中，若 PCA 的工作维数固定且不小于真实因子数，多估计的成分如何影响因子一致性与后续效应推断？
- 方法与思路
- 作者借助随机矩阵的各向异性局部律分析额外特征成分，构造扩展与压缩旋转，并研究因子增广回归的渐近分布。
- 材料陈述的贡献
- 摘要称额外成分由噪声主导且近乎正交于载荷；固定工作维数不低于真实维数时，因子增广回归仍有平方根时间维度推断。
- 阅读关注点
- 应核对因子与噪声的条件、横截面和时间维度的增长方式，以及固定工作维数限制与两种旋转的一致性含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未完整列出理论条件，结论不能直接推广到随样本增长的工作维数。
原文摘要
We develop asymptotic theory for principal component analysis (PCA) of a high-dimensional factor model in which the working dimension $R$ is fixed and only required to satisfy $R \ge r$, where $r$ is the true number of factors. Building on anisotropic local laws from random matrix theory, we show that the ``extra'' empirical eigencomponents beyond the $r$-th are asymptotically noise-governed, incoherent, and nearly orthogonal to the factor loadings. We introduce two rotations, an expanded $r\times R$ map $H'$ and a compressed $R\times r$ map $H^{+}$, and establish consistency of the estimated factors under both. As an application, we analyze a factor-augmented regression for treatment-effect inference and prove $\sqrt{T}$-asymptotic normality for every fixed $R \ge r$. These results provide a theoretical underpinning for the common empirical practice of adopting a conservative upper bound on the number of factors, and shift the analytical burden from consistent dimension selection to the milder requirement of bounding $r$ from above.