Consistent estimation of time-varying loadings in high-dimensional factor models
高维因子模型中时变载荷的一致估计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：摘要以高维因子模型及其时变载荷为核心，并明确使用美国宏观季度数据。
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…
高维因子模型中时变载荷的一致估计
- 研究问题
- 当高维因子模型的载荷按平稳向量自回归过程演化时，如何估计载荷动态的参数，并获得一致性结论？
- 方法与思路
- 作者提出两步最大似然方法：先用主成分提取因子，再将载荷VAR参数估计写成一组具有时变系数的线性回归。
- 材料陈述的贡献
- 摘要称，该方法可一致估计载荷参数，并通过广泛模拟考察有限样本性质，用美国大型季度数据展示时变载荷的经验意义。
- 阅读关注点
- 应核对因子归一化、第一步估计误差的传递、载荷VAR的平稳条件，以及截面维度与时间长度如何共同进入一致性证明。
- 阅读边界
- 仅据所给出版社摘要，不能把载荷参数的一致性理解为每期载荷均可一致恢复；具体渐近条件与模拟结果数值未说明。
原文摘要
In this paper, we develop a two-step maximum likelihood estimator of time-varying loadings in high-dimensional factor models. We specify the loadings to evolve as stationary vector autoregressions (VAR) and show that consistent estimates of the loadings parameters can be obtained. In the first step, principal components are extracted from the data to form factor estimates. In the second step, the parameters of the loadings VARs are estimated as a set of linear regression models with time-varying coefficients. We document the finite-sample properties of the maximum likelihood estimator through an extensive simulation study and illustrate the empirical relevance of the time-varying loadings structure using a large quarterly dataset for the US economy.