Bias Correction in Factor-Augmented Regression Models with Weak Factors
弱因子下因子增强回归模型的偏差修正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：摘要明确分析弱潜在因子、因子增强回归和分割面板偏差修正。
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…
弱因子下因子增强回归模型的偏差修正
- 研究问题
- 当潜在因子的强度不一时，因子增强回归估计量存在怎样的渐近偏差，旋转方式如何影响偏差，以及如何进行可行修正？
- 方法与思路
- 作者在不同因子强度和三类旋转下推导偏差，并针对摘要所称无法参数化估计的偏差，提出分割面板刀切法进行修正。
- 材料陈述的贡献
- 摘要称将偏差分析从强因子扩展到一般弱因子模型，理论显示刀切修正能够降低偏差，有限样本实验及经验应用支持其实用性。
- 阅读关注点
- 应核对各旋转所对应的参数、偏差不可参数化估计的含义，以及面板如何分割、弱因子和维度增长条件如何保证修正有效。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未给出偏差公式、修正所需条件及应用细节，无法判断方差代价和普遍效果。
原文摘要
In this paper, we study the asymptotic bias of the factor-augmented regression estimator and its reduction, which is augmented by the $r$ factors extracted from a large number of $N$ variables with $T$ observations. In particular, we consider general weak latent factor models with $r$ signal eigenvalues that may diverge at different rates, $N^{α_{k}}$, $0<α_{k}\leq 1$, $k=1,\dots,r$. In the existing literature, the bias has been derived using an approximation for the estimated factors with a specific data-dependent rotation matrix $\hat{H}$ for the model with $α_{k}=1$ for all $k$, whereas we derive the bias for weak factor models. In addition, we derive the bias using the approximation with a different rotation matrix $\hat{H}_q$, which generally has a smaller bias than with $\hat{H}$. We also derive the bias using our preferred approximation with a purely signal-dependent rotation $H$, which is unique and can be regarded as the population version of $\hat{H}$ and $\hat{H}_q$. Since this bias is parametrically inestimable, we propose a split-panel jackknife bias correction, and theory shows that it successfully reduces the bias. The extensive finite-sample experiments suggest that the proposed bias correction works very well, and the empirical application illustrates its usefulness in practice.