Testing the Number of Common Factors by Bootstrapped Sample Covariance Matrix in High-Dimensional Factor Models
高维因子模型中基于自助样本协方差矩阵的共同因子个数检验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：摘要直接研究高维因子模型的共同因子个数及特征值检验，明确对应因子模型方法。
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…
高维因子模型中基于自助样本协方差矩阵的共同因子个数检验
- 研究问题
- 高维因子模型中，bootstrap 如何改变样本协方差矩阵的特征值分布，能否据因子与非因子特征值的差异检验共同因子个数？
- 方法与思路
- 作者分析自助协方差矩阵的顶部特征值，区分适当标准化后的因子尖峰高斯极限与受重抽样权重次序统计量影响的非尖峰极值行为。
- 材料陈述的贡献
- 摘要称，论文据两类特征值的不同极限行为提出因子个数检验，数值与实证研究显示其在弱因子和横截面相关误差下表现可靠。
- 阅读关注点
- 应核对高维增长条件、因子强度界定、重抽样方案和检验校准，并确认弱因子及相关误差实验覆盖的范围与比较基准。
- 阅读边界
- 依据 arXiv 2202.06188v3 预印本摘要，不能据此声称已经同行评审或期刊接收；具体条件、数值及后续刊本变化未提供。
原文摘要
This paper studies the impact of bootstrap procedure on the eigenvalue distributions of the sample covariance matrix under a high-dimensional factor structure. We provide asymptotic distributions for the top eigenvalues of bootstrapped sample covariance matrix under mild conditions. After bootstrap, the spiked eigenvalues which are driven by common factors will converge weakly to Gaussian limits after proper scaling and centralization. However, the largest non-spiked eigenvalue is mainly determined by the order statistics of the bootstrap resampling weights, and follows extreme value distribution. Based on the disparate behavior of the spiked and non-spiked eigenvalues, we propose innovative methods to test the number of common factors. Indicated by extensive numerical and empirical studies, the proposed methods perform reliably and convincingly under the existence of both weak factors and cross-sectionally correlated errors. Our technical details contribute to random matrix theory on spiked covariance model with convexly decaying density and unbounded support, or with general elliptical distributions.