Factor Models with Sparse VAR Idiosyncratic Components
特异成分服从稀疏 VAR 的因子模型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：摘要明确结合因子模型与特异成分的稀疏向量自回归，并处理时间依赖，因此选择因子模型和时间序列方向。
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
特异成分服从稀疏 VAR 的因子模型
- 研究问题
- 如何在因子模型中同时容纳共同成分与具有截面和时间依赖的稀疏特异动态，并准确计入第一阶段因子估计的误差？
- 方法与思路
- 作者先用主成分法估计因子与载荷，再对估计的特异成分进行正则化 VAR 回归，并细化第一阶段误差对第二阶段估计的影响。
- 材料陈述的贡献
- 摘要称在时间和截面维度共同发散时证明一致性，并通过更精细的误差表达取得更紧收敛率；还讨论预测、自助法和依赖网络应用。
- 阅读关注点
- 应核对因子动态非广泛性的含义、稀疏 VAR 与共同成分的区分条件，以及细化误差如何进入收敛率、预测与谱密度逆矩阵估计。
- 阅读边界
- 所给版本为 arXiv 预印本，未核实同行评审或接收；摘要未列稀疏度、稳定性和维度增长限制，也未提供应用效果的具体数值。
原文摘要
We reconcile the two worlds of dense and sparse modeling by exploiting the positive aspects of both. We employ a factor model and assume {the dynamic of the factors is non-pervasive while} the idiosyncratic term follows a sparse vector autoregressive model (VAR) {which allows} for cross-sectional and time dependence. The estimation is articulated in two steps: first, the factors and their loadings are estimated via principal component analysis and second, the sparse VAR is estimated by regularized regression on the estimated idiosyncratic components. We prove the consistency of the proposed estimation approach as the time and cross-sectional dimension diverge. In the second step, the estimation error of the first step needs to be accounted for. Here, we do not follow the naive approach of simply plugging in the standard rates derived for the factor estimation. Instead, we derive a more refined expression of the error. This enables us to derive tighter rates. We discuss the implications of our model for forecasting, factor augmented regression, bootstrap of factor models, and time series dependence networks via semi-parametric estimation of the inverse of the spectral density matrix.