Modelling large dimensional datasets with Markov switching factor models
用马尔可夫转换因子模型刻画高维数据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：摘要研究载荷发生马尔可夫状态转换的因子模型，并明确应用于宏观变量、通胀指数与股票收益数据。
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
用马尔可夫转换因子模型刻画高维数据
- 研究问题
- 当高维数据的因子载荷随潜在马尔可夫状态变化时，如何估计因子、载荷和转移概率，并处理真实因子数未知的问题？
- 方法与思路
- 作者利用等价线性表示先通过主成分分析提取因子，再建立状态空间形式，用改进滤波和平滑程序配合 EM 算法估计。
- 材料陈述的贡献
- 摘要称各估计量具有闭式表达，程序无需知道真实因子数，并给出理论性质、蒙特卡洛评价及美国金融和宏观数据应用。
- 阅读关注点
- 应核对未知因子数在程序中如何处理、状态与载荷的识别条件，以及先估因子的误差如何进入 EM 估计和渐近理论。
- 阅读边界
- 仅据所给 RePEc 出版社摘要；状态数量选择、维度增长条件和数值结果未说明，不能据此认定复杂状态模型均可稳定估计。
原文摘要
We study a novel large dimensional approximate factor model with regime changes in the loadings driven by a latent first order Markov process. By exploiting the equivalent linear representation of the model, we first recover the latent factors by means of Principal Component Analysis. We then cast the model in state–space form, and we estimate loadings and transition probabilities through an EM algorithm based on a modified version of the Baum–Lindgren–Hamilton–Kim filter and smoother that makes use of the factors previously estimated. Our approach is appealing as it provides closed form expressions for all estimators. More importantly, it does not require knowledge of the true number of factors. We derive the theoretical properties of the proposed estimation procedure, and we show their good finite sample performance through a comprehensive set of Monte Carlo experiments. The empirical usefulness of our approach is illustrated through three applications to large U.S. datasets of stock returns, macroeconomic variables, and inflation indexes.