Tests of Equal Forecasting Accuracy for Nested Models with Estimated CCE Factors*
使用 CCE 估计因子的嵌套模型等预测准确性检验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：摘要研究因子增广回归的预测能力比较，并以 CCE 横截面均值估计潜在因子，直接对应预测与因子模型。
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
使用 CCE 估计因子的嵌套模型等预测准确性检验
- 研究问题
- 在因子增广回归用于预测且因子由分组变量的横截面均值估计时，如何检验嵌套模型的预测能力相同，并处理未知因子数？
- 方法与思路
- 作者用共同相关效应（CCE）方法，以各变量块的横截面均值估计因子；在时间长度和块内变量数共同增长时推导新检验的极限分布。
- 材料陈述的贡献
- 摘要称，检验极限分布仅依赖已知的横截面均值数量，不依赖真实因子数，因此应用检验无需一致估计因子数。
- 阅读关注点
- 阅读时应核对变量块与均值的构造、嵌套模型的检验统计量及预测设计，特别关注均值数量超过真实因子数这一条件如何满足。
- 阅读边界
- 结论以均值数量大于真实因子数及相应渐近设定为前提；摘要未说明完整条件、有限样本误差或不同数据分块下的稳健性。
原文摘要
In this article, we propose new tests of equal predictive ability between nested models when factor-augmented regressions are used to forecast. In contrast to the previous literature, the unknown factors are not estimated by principal components but by the common correlated effects (CCE) approach, which employs cross-sectional averages of blocks of variables. This makes for easy interpretation of the estimated factors, and the resulting tests are easy to implement and they account for the block structure of the data. Assuming that the number of averages is larger than the true number of factors, we establish the limiting distributions of the new tests as the number of time periods and the number of variables within each block jointly go to infinity. The main finding is that the limiting distributions do not depend on the number of factors but only on the number of averages, which is known. The important practical implication of this finding is that one does not need to estimate the number of factors consistently in order to apply our tests.