Identifying and interpreting the factors in factor models via sparsity: Different approaches
通过稀疏性识别和解释因子模型：不同方法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：摘要研究因子结构识别，并明确应用于国际经济周期和美国宏观数据。
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
通过稀疏性识别和解释因子模型：不同方法
- 研究问题
- 如何在不预先用限制指定经济解释的情况下，通过稀疏结构识别因子模型的结构，并获得清晰的因子解释？
- 方法与思路
- 作者比较稀疏主成分分析与因子旋转，建立稀疏主成分因子估计的一致性结果，并开展模拟及宏观数据应用。
- 材料陈述的贡献
- 摘要称，方法在小样本模拟中也能准确估计因子结构，在国际周期与美国经济应用中得到一致且可解释的结构。
- 阅读关注点
- 应核对稀疏性如何区分不同因子方向、一致性所需条件，以及旋转结果与稀疏主成分结果一致的实际证据。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断稀疏结构的唯一性、选择规则及解释稳定性；经济解释本身不等于结构因果识别。
原文摘要
Summary This paper considers different approaches for identifying the factor structure and interpreting the factors without imposing their interpretation via restrictions: sparse PCA and factor rotations. We establish a new consistency result for the factors estimated by sparse PCA. Monte Carlo simulations show that our methods accurately estimate the factor structure, even in small samples. We apply them to large datasets about international business cycles and the US economy. For each empirical application, they identify the same factor structure, offering a clear economic interpretation. These exploratory methods can in particular justify or complement approaches that impose the factor structure a priori.