CCE estimation of factor‐augmented regression models with more factors than observables
因子数多于可观测变量数时的因子增强回归模型 CCE 估计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：摘要明确以因子增强面板回归与共同相关效应估计为对象，支持面板数据分类，但未交代宏观应用场景。
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…
因子数多于可观测变量数时的因子增强回归模型 CCE 估计
- 研究问题
- 当共同因子多于可观测变量，或因子载荷彼此相关时，怎样改进因子增强面板回归中的合并 CCE 估计？
- 方法与思路
- 作者在可观测变量的截面均值之外引入其他截面组合，构造组合增强的 CCE 估计量，并研究其渐近性质与小样本表现。
- 材料陈述的贡献
- 摘要称，该扩展能够放宽变量数量和载荷独立性的限制，并给出渐近性质，利用模拟及真实数据检验小样本表现。
- 阅读关注点
- 应核对截面组合的选择、因子空间覆盖所需条件和渐近增长设定，并比较模拟及真实数据中与原 CCE 的差异。
- 阅读边界
- 摘要未说明截面组合如何选取、允许的因子数量及完整正则条件，也未给出小样本结果，不能据此认定普遍优于原估计量。
原文摘要
Summary This paper considers estimation of factor‐augmented panel data regression models. One of the most popular approaches towards this end is the common correlated effects (CCE) estimator of Pesaran (Estimation and inference in large heterogeneous panels with a multifactor error structure. Econometrica , 2006, 74 , 967–1012, 2006). For the pooled version of this estimator to be consistent, either the number of observables must be larger than the number of unobserved common factors, or the factor loadings must be distributed independently of each other. This is a problem in the typical application involving only a small number of regressors and/or correlated loadings. The current paper proposes a simple extension to the CCE procedure by which both requirements can be relaxed. The CCE approach is based on taking the cross‐section average of the observables as an estimator of the common factors. The idea put forth in the current paper is to consider not only the average but also other cross‐section combinations. Asymptotic properties of the resulting combination‐augmented CCE (C 3 E) estimator are provided and tested in small samples using both simulated and real data.