Determining the Number of Factors in Approximate Factor Models
确定近似因子模型中的因子数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：摘要明确研究大维度近似因子模型，并围绕因子数量、因子估计误差和面板选择准则展开，直接对应因子模型方法。
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
确定近似因子模型中的因子数
- 研究问题
- 在横截面与时间维度都较大的近似因子模型中，如何由数据确定潜在因子的数量，并保证所选因子数随样本扩大趋于真实值？
- 方法与思路
- 作者先建立因子估计量的收敛速率，再据此提出选择因子数的面板准则；理论允许横截面与时间维度共同增大，不限制两者的相对增长关系。
- 材料陈述的贡献
- 摘要称，所提准则能一致估计因子数，且不要求预设横截面与时间维度的比例关系；模拟在多种面板配置中显示较好的有限样本性质。
- 阅读关注点
- 重点核对因子与特异项的允许条件、因子估计误差如何决定选择准则，以及两个维度增长时的一致性证明和惩罚项构造。
- 阅读边界
- 不限制两个维度的相对增长关系并不意味着模型没有其他条件；摘要未列出具体正则假设、准则公式或有限样本误判概率。
原文摘要
In this paper we develop some econometric theory for factor models of large dimensions. The focus is the determination of the number of factors (r), which is an unresolved issue in the rapidly growing literature on multifactor models. We first establish the convergence rate for the factor estimates that will allow for consistent estimation of r. We then propose some panel criteria and show that the number of factors can be consistently estimated using the criteria. The theory is developed under the framework of large cross-sections (N) and large time dimensions (T). No restriction is imposed on the relation between N and T. Simulations show that the proposed criteria have good finite sample properties in many configurations of the panel data encountered in practice.