Identifying relevant and irrelevant variables in sparse factor models
识别稀疏因子模型中对因子估计有用与无用的变量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：摘要研究稀疏因子载荷及因子估计的信息来源，并应用于多国 GDP 和美国通胀数据。
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
识别稀疏因子模型中对因子估计有用与无用的变量
- 研究问题
- 异质数据中的变量未必都能提供因子估计信息，如何识别其中有信息与无信息的变量，以及大型宏观数据中无信息变量是否普遍存在？
- 方法与思路
- 作者在贝叶斯框架中对因子载荷设定稀疏先验，再依据经过识别的后验载荷估计，提出区分有信息与无信息变量的多种方法。
- 材料陈述的贡献
- 摘要称，模拟中两类变量均被较准确地识别；多国 GDP 与美国细分通胀应用显示，相当一部分变量对因子估计不提供信息。
- 阅读关注点
- 核对变量是否有信息的操作定义、稀疏先验与载荷识别方式，比较各分类规则，并查看实证结论对阈值及因子数是否敏感。
- 阅读边界
- 摘要未说明稀疏先验、载荷识别约束或分类阈值；所谓变量无关仅针对因子估计，不能推断其经济意义或预测价值为零。
原文摘要
Summary This paper considers factor estimation from heterogeneous data, where some of the variables—the relevant ones—are informative for estimating the factors, and others—the irrelevant ones—are not. We estimate the factor model within a Bayesian framework, specifying a sparse prior distribution for the factor loadings. Based on identified posterior factor loading estimates, we provide alternative methods to identify relevant and irrelevant variables. Simulations show that both types of variables are identified quite accurately. Empirical estimates for a large multi‐country GDP dataset and a disaggregated inflation dataset for the USA show that a considerable share of variables is irrelevant for factor estimation.