Principal Component Analysis for High-Dimensional Approximate Factor Models in Time Series: Assumptions, Asymptotic Theory, and Identification
高维近似因子时间序列模型的主成分分析：假设、渐近理论与识别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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确讨论平稳高维时间序列中的近似因子模型与主成分估计，直接对应因子模型和时间序列。
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
高维近似因子时间序列模型的主成分分析：假设、渐近理论与识别
- 研究问题
- 在横截面维度与时间长度同时增长时，主成分估计何时具有一致性和渐近正态性，共同成分、因子与载荷如何得到识别？
- 方法与思路
- 作者梳理平稳高维近似因子模型中主成分分析的理论条件，并分别讨论共同成分的极限识别与因子、载荷唯一化所需限制。
- 材料陈述的贡献
- 摘要称共同成分与特异成分仅在横截面维度趋于无穷时被识别，并讨论因子和载荷的识别限制如何影响统计推断。
- 阅读关注点
- 应核对必要条件与充分条件各自适用的结论、两个维度的增长要求，以及不同归一化或识别限制对推断对象的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列出具体条件和渐近方差，也不足以判断有限样本中的识别精度。
原文摘要
We consider estimation of large approximate factor models in high-dimensional panels of stationary time series using Principal Component Analysis (PCA). We review the key results establishing the necessary and sufficient conditions for consistency and asymptotic normality of the estimators, which hold when both the cross-sectional dimension $n$ and the sample size $T$ tend to infinity. Special emphasis is placed on identification. First, we show that the common and idiosyncratic components are identified only in the limit $n\to\infty$. Second, we discuss the restrictions required to uniquely determine factors and loadings and examine their consequences for statistical inference.