Target PCA: Transfer Learning Large Dimensional Panel Data
目标 PCA：大维面板数据的迁移学习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：摘要明确估计大维面板的潜在因子，并应用于混频宏观经济面板插补，因此支持宏观因子与宏观面板分类。
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…
目标 PCA：大维面板数据的迁移学习
- 研究问题
- 研究如何利用辅助面板的信息，估计大量缺失且信号较弱的目标面板潜在因子，并进行相应的渐近推断。
- 方法与思路
- 作者提出 target-PCA，通过迁移辅助面板信息估计目标因子模型，发展缺失模式下的理论并用于混频宏观数据插补。
- 材料陈述的贡献
- 摘要称估计量更有效率，可一致估计常规方法无法识别的弱因子，并在混频宏观面板插补中优于所比较基准。
- 阅读关注点
- 应核对辅助与目标面板的因子联系、信息利用权重、弱因子强度和缺失条件，以及基准比较与推断的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出一般假设的具体内容，也未报告效率和插补改进数值。
原文摘要
This paper develops a novel method to estimate a latent factor model for a large target panel with missing observations by optimally using the information from auxiliary panel data sets. We refer to our estimator as target-PCA. Transfer learning from auxiliary panel data allows us to deal with a large fraction of missing observations and weak signals in the target panel. We show that our estimator is more efficient and can consistently estimate weak factors, which are not identifiable with conventional methods. We provide the asymptotic inferential theory for target-PCA under very general assumptions on the approximate factor model and missing patterns. In an empirical study of imputing data in a mixed-frequency macroeconomic panel, we demonstrate that target-PCA significantly outperforms all benchmark methods.