Estimation and Inference of FAVAR Models
因子增广向量自回归模型的估计与推断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：摘要明确研究可观测与不可观测因子组成的因子增广 VAR，以及因子载荷和动态参数，直接对应因子模型与 VAR 方法。
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
因子增广向量自回归模型的估计与推断
- 研究问题
- 在可观测与不可观测因子共同驱动大量变量联动的 FAVAR 模型中，如何识别并估计因子、载荷及动态参数，并开展推断？
- 方法与思路
- 作者研究 FAVAR 的识别限制，提出基于似然的两步估计法，显式处理因子的部分可观测性，并建立因子、载荷及 VAR 参数的推断理论。
- 材料陈述的贡献
- 摘要称，该方法明确处理部分因子已被观测的情形，并说明估计因子、载荷和动态参数的极限分布为何与既有结果不同。
- 阅读关注点
- 应核对因子的识别与归一化限制、两步估计之间的误差传递，以及样本维度的渐近设定如何影响各类估计量的极限分布。
- 阅读边界
- 摘要未列出具体识别限制、渐近条件或实证结果；提及 VAR 动态结构不足以确认结构冲击已被识别或能够作因果解释。
原文摘要
The factor-augmented vector autoregressive (FAVAR) model is now widely used in macroeconomics and finance. In this model, observable and unobservable factors jointly follow a vector autoregressive process, which further drives the comovement of a large number of observable variables. We study the identification restrictions for FAVAR models, and propose a likelihood-based two-step method to estimate the model. The estimation explicitly accounts for factors being partially observed. We then provide an inferential theory for the estimated factors, factor loadings, and the dynamic parameters in the VAR process. We show how and why the limiting distributions are different from the existing results. Supplementary materials for this article are available online.