Inference in Group Factor Models With an Application to Mixed‐Frequency Data
分组因子模型的推断及其混频数据应用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：摘要明确研究共同与组别特有因子，并使用美国工业生产及非工业生产部门的混频宏观面板，因此对应因子模型和宏观面板。
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…
分组因子模型的推断及其混频数据应用
- 研究问题
- 在分组数据中如何区分共同因子和组别特有因子，并检验共同因子的数量，以及混频宏观数据能否刻画工业生产与整体经济的联系？
- 方法与思路
- 作者推导分组因子模型估计量与检验统计量的渐近性质，处理共同因子检验的边界参数问题，并以工业生产与非工业生产部门的混频面板说明应用。
- 材料陈述的贡献
- 摘要称，共同因子数量检验在原假设下具有不含未知参数的渐近高斯分布；应用中单一共同因子解释工业产出与 GDP 增长的 89% 和 61%。
- 阅读关注点
- 核对共同与组别特有因子的识别、典型相关系数处于边界时的极限推导，以及混频对齐方式和解释比例的定义及估计不确定性。
- 阅读边界
- 摘要未说明因子识别条件、混频处理细节或解释比例的不确定性；共同因子的统计解释能力不能据此等同于工业生产对 GDP 的因果影响。
原文摘要
We derive asymptotic properties of estimators and test statistics to determine—in a grouped data setting—common versus group‐specific factors. Despite the fact that our test statistic for the number of common factors, under the null, involves a parameter at the boundary (related to unit canonical correlations), we derive a parameter‐free asymptotic Gaussian distribution. We show how the group factor setting applies to mixed‐frequency data. As an empirical illustration, we address the question whether Industrial Production (IP) is still the dominant factor driving the U.S. economy using a mixed‐frequency data panel of IP and non‐IP sectors. We find that a single common factor explains 89% of IP output growth and 61% of total GDP growth despite the diminishing role of manufacturing.