Estimation and inference for high dimensional factor model with regime switching
载荷机制切换高维因子模型的估计与推断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：摘要研究高维因子载荷的机制切换，并以宏观 FRED-MD 数据检测商业周期转折点。
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
载荷机制切换高维因子模型的估计与推断
- 研究问题
- 对于因子载荷发生机制切换的高维模型，如何联合估计参数、识别切换状态并建立推断，以辅助发现商业周期转折点？
- 方法与思路
- 作者提出最大或准最大似然估计，以 EM 迭代计算机制概率和加权协方差的主成分，并用递归算法计算平滑机制概率。
- 材料陈述的贡献
- 摘要称，在弱横截面与时间依赖及异方差下建立一致性、收敛率和极限分布；高维性可支持切换后仅一个观测期的状态识别。
- 阅读关注点
- 应核对机制可区分的条件、高维与时间维度的渐近关系、单期识别结论的含义，以及 FRED-MD 转折点分析是否使用事后信息。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；机制分离条件、渐近速率和应用准确度未说明，单期一致识别不能直接解释为有限样本即时准确识别。
原文摘要
This paper proposes maximum (quasi)likelihood estimation for high dimensional factor models with regime switching in the loadings. The model parameters are estimated jointly by the EM (expectation maximization) algorithm, which in the current context only requires iteratively calculating regime probabilities and principal components of the weighted sample covariance matrix . When regime dynamics are taken into account, smoothed regime probabilities are calculated using a recursive algorithm . Consistency, convergence rates and limit distributions of the estimated loadings and the estimated factors are established under weak cross-sectional and temporal dependence as well as heteroscedasticity . It is worth noting that due to high dimension, regime switching can be identified consistently after the switching point with only one observation period. Simulation results show good performance of the proposed method. An application to the FRED-MD dataset illustrates the potential of the proposed method for detection of business cycle turning points.