Robust Tests for Factor-Augmented Regressions with an Application to the novel EA-MD-QD Dataset
因子增广回归的稳健检验及其在新 EA-MD-QD 数据集中的应用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：摘要以估计因子的增广回归为对象，检验预测精度与涵盖，并应用于欧元区宏观数据，直接对应因子模型和预测方向。
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
因子增广回归的稳健检验及其在新 EA-MD-QD 数据集中的应用
- 研究问题
- 研究在估计因子数量可能过度设定、预测变量持久性不同及载荷发生结构变化时，如何检验预测精度相等与预测涵盖。
- 方法与思路
- 作者以分组序列的横截面均值估计因子，提出四种因子增广回归检验，并通过模拟和欧元区宏观数据应用评估。
- 材料陈述的贡献
- 摘要称检验具有渐近正态理论，对因子数量过度设定稳健，不受载荷断点位置影响，并报告局部功效与预测能力表现。
- 阅读关注点
- 应核对分组与横截面均值构造、持久性和载荷变化的允许范围，以及预测比较方案、检验水平和局部功效的设定。
- 阅读边界
- 这是 arXiv 预印本，无法据此确认同行评审或期刊接收；摘要未说明理论的完整条件及预测改善幅度，不能推定普遍优势。
原文摘要
We present four novel tests of equal predictive accuracy and encompassing à la Pitarakis (2023, 2025) for factor-augmented regressions, where factors are estimated using cross-section averages (CAs) of grouped series. Our inferential theory is asymptotically normal and robust to an overspecification of the number of factors. Our tests are empirically relevant as they accommodate for different degrees of predictor persistence and remain invariant to the location of structural breaks in the loadings. Monte Carlo simulations indicate that our tests exhibit excellent local power properties. Finally, we apply our tests to the novel EA-MD-QD dataset by Barigozzi et al. (2024) - which covers the Euro Area as a whole and its primary member countries - and show that factors estimated by CAs offer substantial predictive power.