Sieve estimation of state-varying factor models
状态变化因子模型的筛估计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：摘要直接研究状态变化因子模型，并将其应用于美国宏观经济数据。
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
状态变化因子模型的筛估计
- 研究问题
- 当因子载荷随特定状态变量变化时，如何联合估计因子与载荷，并检验载荷是否可以视为不随状态变化的常数？
- 方法与思路
- 作者采用筛方法，先以核范数正则化获得初步一致估计，再进行正则化后的迭代最小二乘，并构造常载荷检验。
- 材料陈述的贡献
- 摘要称建立估计量和检验统计量的渐近性质，模拟显示有限样本表现良好，美国宏观数据应用提示可能存在状态依赖。
- 阅读关注点
- 应核对状态变量的选择、筛基函数和维度设定，以及因子归一化、两步误差传递和常载荷检验的具体条件。
- 阅读边界
- 仅据所给出版社摘要，无法判断状态依赖的经济机制、显著性及对状态变量选择的敏感性，也不能推断后续版本变化。
原文摘要
In this paper, we propose a sieve approach to estimate state-varying factor models, where the factor loadings vary over specific state variables. Our methodology consists of a two-step estimation procedure for the parameters of interest. In the first step, we achieve preliminary consistent estimates of the factors and factor loadings via nuclear norm regularization (NNR). In the second step, we perform post-NNR iterative least squares estimations for the factors and factor loadings. We establish the asymptotic properties of these estimators. Based on the estimation theory, we propose a test for the null hypothesis of constant factor loadings and examine the asymptotic properties of the test statistic. Monte Carlo simulations demonstrate the favorable performance of the proposed estimation procedure and testing method in finite samples. An application to a U.S. macroeconomic dataset suggests potential state-dependency within the U.S. economy.