On the robustness of the pooled CCE estimator
合并 CCE 估计量的稳健性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：摘要围绕因子增广面板回归中的合并 CCE 估计及其渐近稳健性展开。
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…
合并 CCE 估计量的稳健性
- 研究问题
- 当共同因子成分与回归变量相关，且真实因子数量超过 CCE 隐含使用的因子数量时，合并估计的一致性与正态推断是否成立？
- 方法与思路
- 作者放松共同因子成分独立于回归变量的限制，分析真实因子数可超过回归变量数量加一时，合并 CCE 估计量的渐近性质。
- 材料陈述的贡献
- 摘要称在研究条件下估计量一般仍一致，但真实因子数超过回归变量数量加一时，渐近正态性可能失效。
- 阅读关注点
- 应核对一致性所需的秩与依赖条件，因子数量不足如何影响极限分布，以及哪些情形仍可使用常规标准误和检验。
- 阅读边界
- 摘要未列出完整条件或非正态极限形式；一般一致不等于任意因子结构下都一致，且不能据一致性直接确认常规推断有效。
原文摘要
Among the existing estimators of factor-augmented regressions, the CCE approach is the most popular. A major reason for this popularity is the simplicity and good small-sample performance of the approach, making it very attractive from an empirical point of view. The main drawback is that most of the available asymptotic theory is based on quite restrictive assumptions, such as that the common factor component should be independent of the regressors. The present paper can be seen as a reaction to this. The purpose is to study the asymptotic properties of the pooled CCE estimator under more realistic conditions. In particular, the common factor component may be correlated with the regressors, and the true number of common factors, r, can be larger than the number of estimated factors, which in CCE is given by k+1, where k is the number of regressors. The main conclusion is that while the estimator is generally consistent, asymptotic normality can fail when r>k+1.