Factor-based imputation of missing values and covariances in panel data of large dimensions
高维面板数据缺失值与协方差的因子插补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：摘要明确以高维面板数据为对象，依靠共同因子及载荷完成插补，因此直接涉及面板数据与因子模型。
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
高维面板数据缺失值与协方差的因子插补
- 研究问题
- 高维面板存在缺失观测时，如何利用因子结构进行非迭代插补，并修正插补遗漏个体噪声所导致的样本协方差向下偏差？
- 方法与思路
- 作者先从完整的高矩形数据块估计因子，再按各单位可用样本投影估计载荷，以共同成分插补，并重复叠加重抽残差估计协方差。
- 材料陈述的贡献
- 摘要称，基于共同成分的插补量具有一致性和渐近正态性，无需继续迭代；论文还讨论插补数据用于因子增强回归的影响。
- 阅读关注点
- 应核对完整数据块和缺失模式的要求、共同成分与原始缺失值的区别，以及残差重抽如何修正协方差并影响后续回归。
- 阅读边界
- 仅据所给出版社摘要，不能确认缺失机制、因子条件或重抽规则；共同成分可一致估计不意味着个体噪声也能准确恢复。
原文摘要
Economists are blessed with a wealth of data for analysis, but more often than not, values in some entries of the data matrix are missing. Various methods have been proposed to handle missing observations in a few variables. We exploit the factor structure in panel data of large dimensions. Our tall-project algorithm first estimates the factors from a tall block in which data for all rows are observed, and projections of unit specific sample size are then used to estimate the factor loadings. A missing value is imputed by its estimated common component which we show is consistent and asymptotically normal without further iteration. Implications for using imputed data in factor augmented regressions are then discussed. To compensate for the downward bias in sample covariance matrices created by an omitted noise in each imputed value, we overlay the imputed data with re-sampled idiosyncratic residuals many times and use the average of the covariances to estimate the parameters of interest. Simulations show that the procedures have desirable finite sample properties.