Identification of Time-Varying Factor Models
时变因子模型的识别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：摘要研究时变因子及载荷的识别，并使用美国宏观变量数据评估预测表现。
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
时变因子模型的识别
- 研究问题
- 当因子载荷随时间变化时，什么条件能使因子及载荷在渐近意义下无需旋转即可估计，不同识别限制又如何影响预测？
- 方法与思路
- 作者研究时变因子模型的识别限制，推导所提估计量的渐近分布，并利用模拟及美国宏观数据比较因子预测表现。
- 材料陈述的贡献
- 摘要称给出了因子与载荷无需旋转即可渐近估计的情形，并发现不同识别限制下的宏观预测表现存在显著差异。
- 阅读关注点
- 应核对消除旋转不确定性的具体限制、载荷变化的允许形式，以及渐近框架和预测比较中各识别方案的可比性。
- 阅读边界
- 仅据所给 OpenAlex 摘要，未核对刊本变化；具体识别条件与预测指标未说明，无法据摘要选定普遍最优的限制。
原文摘要
The emergence of large datasets with long time spans has cast doubt on the assumption of constant loadings in conventional factor models. Being a potential solution, the time-varying factor model (TVFM) has attracted enormous interest in the literature. However, TVFM also suffers from the well-known problem of nonidentifiability. This article considers the situations under which both the factors and factor loadings can be estimated without rotations asymptotically. Asymptotic distributions of the proposed estimators are derived. Theoretical findings are supported by simulations. Finally, we evaluate the forecasting performance of the estimated factors subject to different identification restrictions using an extensive dataset of the U.S. macroeconomic variables. Substantial differences are found among the choices of identification restrictions.