Maximum Likelihood Estimation and Inference for Approximate Factor Models of High Dimension
高维近似因子模型的最大似然估计与推断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：摘要的核心对象是高维近似因子模型及其因子估计与推断，直接对应因子模型细分。
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
高维近似因子模型的最大似然估计与推断
- 研究问题
- 在变量数量可超过样本量、特异误差存在未知形式的相关和异方差时，如何估计高维近似因子模型并开展推断？
- 方法与思路
- 作者研究最大似然估计，在不同识别约束下分析一致性、收敛速度和极限分布，并通过蒙特卡洛模拟考察有限样本性质。
- 材料陈述的贡献
- 摘要称，论文建立了不同识别约束下的渐近结果，模拟显示似然方法易于实现，并具有良好的有限样本表现。
- 阅读关注点
- 应核对似然设定如何容纳误差相关与异方差、不同识别约束对应的参数含义，以及模拟比较采用的设计和基准。
- 阅读边界
- 摘要未说明允许的相关程度、维度增长条件或具体收敛速度；有限样本表现不能据此推广至所有高维情形。
原文摘要
An approximate factor model of high dimension has two key features. First, the idiosyncratic errors are correlated and heteroskedastic over both the cross-section and time dimensions; the correlations and heteroskedasticities are of unknown forms. Second, the number of variables is comparable or even greater than the sample size. Thus, a large number of parameters exist under a high-dimensional approximate factor model. Most widely used approaches to estimation are principal component based. This paper considers the maximum likelihood–based estimation of the model. Consistency, rate of convergence, and limiting distributions are obtained under various identification restrictions. Monte Carlo simulations show that the likelihood method is easy to implement and has good finite sample properties.