Bootstrapping factor models with cross sectional dependence
存在横截面依赖的因子模型自助法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：摘要研究因子增广回归，并明确应用于利用便利收益预测通胀。
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
存在横截面依赖的因子模型自助法
- 研究问题
- 因子增广回归的特异误差存在横截面依赖时，怎样构造能够再现 OLS 估计偏差、支持有效推断的自助法？
- 方法与思路
- 作者提出 CSD 自助法，将随机向量乘以特异误差协方差估计矩阵的平方根，并以谱范数一致性建立理论依据。
- 材料陈述的贡献
- 摘要称按时间重抽横截面向量会产生零偏差而失效；新方法满足所述条件时一致，并验证阈值协方差估计及通胀预测应用。
- 阅读关注点
- 应核对原估计偏差的来源、协方差谱范数一致性所需条件、随机向量的构造，以及因子估计误差如何进入自助分布。
- 阅读边界
- 仅据出版社摘要，不能认定所有横截面依赖下都适用；摘要未说明依赖限制、维度增长条件及通胀预测的具体比较结果。
原文摘要
We consider bootstrap methods for factor-augmented regressions with cross sectional dependence among idiosyncratic errors. This is important to capture the bias of the OLS estimator derived recently by Gonçalves and Perron (2014). We first show that a common approach of resampling cross sectional vectors over time is invalid in this context because it induces a zero bias. We then propose the cross-sectional dependent (CSD) bootstrap where bootstrap samples are obtained by taking a random vector and multiplying it by the square root of a consistent estimator of the covariance matrix of the idiosyncratic errors. We show that if the covariance matrix estimator is consistent in the spectral norm, then the CSD bootstrap is consistent, and we verify this condition for the thresholding estimator of Bickel and Levina (2008). Finally, we apply our new bootstrap procedure to forecasting inflation using convenience yields as recently explored by Gospodinov and Ng (2013).