Bootstrapping factor-augmented regression models
因子增强回归模型的自助法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：摘要直接研究从大面板估计因子后进行回归及自助推断的问题。
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
因子增强回归模型的自助法
- 研究问题
- 当回归变量包含从大面板估计的因子，且因子估计误差可能进入OLS极限分布时，如何构造有效的自助推断？
- 方法与思路
- 作者在T/N→c且0≤c<∞的框架下研究残差自助法，提出高层条件，并为一种简单的野生自助程序验证这些条件。
- 材料陈述的贡献
- 摘要称，在允许因子估计误差形成渐近偏差项的情形下，给出旋转后OLS估计量自助分布一致性的理论依据。
- 阅读关注点
- 应核对因子旋转的定义、特异误差与自助残差的条件，以及野生自助程序如何处理因子估计带来的渐近偏差。
- 阅读边界
- 仅据所给出版社摘要，无法判断条件的适用范围或有限样本表现；摘要未说明实际实施细节，也不能推断其他版本变化。
原文摘要
This paper proposes and theoretically justifies bootstrap methods for regressions where some of the regressors are factors estimated from a large panel of data. We derive our results under the assumption that T/N→c, where 0≤c<∞ (N and T are the cross-sectional and the time series dimensions, respectively), thus allowing for the possibility that the factor estimation error enters the limiting distribution of the OLS estimator as an asymptotic bias term (as was recently discussed by Ludvigson and Ng (2011)). We consider general residual-based bootstrap methods and provide a set of high-level conditions on the bootstrap residuals and on the idiosyncratic errors such that the bootstrap distribution of a rotated OLS estimator is consistent. We subsequently verify these conditions for a simple wild bootstrap residual-based procedure.