Taxonomy and Estimation of Multiple Breakpoints in High-Dimensional Factor Models
高维因子模型中多重断点的分类与估计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：摘要直接研究高维因子载荷的多重结构变化，并以 FRED-MD 宏观数据展示应用。
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
高维因子模型中多重断点的分类与估计
- 研究问题
- 高维因子模型出现多次载荷变化时，如何区分奇异变化与旋转变化，并估计断点位置及断点数量的不同收敛性质？
- 方法与思路
- 作者分析伪因子子样本协方差矩阵的近奇异性，提出多断点 QML 估计量，并用信息准则选择结构断点数量。
- 材料陈述的贡献
- 摘要称，奇异变化的真实断点可被渐近精确定位，旋转变化的位置误差随机有界；信息准则也能以趋于一的概率选对断点数。
- 阅读关注点
- 应核对两类变化的充要分类条件、断点间距与维度增长限制，以及精确定位、位置误差有界和断点比例一致性的区别。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收状态未核实。摘要未列出全部正则条件，也未报告模拟数值或 FRED-MD 应用的具体断点。
原文摘要
This paper proposes a quasi-maximum likelihood (QML) estimator for break points in high-dimensional factor models, specifically accounting for multiple structural breaks. We begin by establishing a necessary and sufficient condition to categorize two distinct types of breaks in factor loadings: singular changes and rotational changes. The analysis of the nearly singular subsample covariance matrices of the pseudo-factors plays a key role in our approach. It allows us to demonstrate that the QML estimator precisely identifies the true breakpoint with probability tending to one for singular changes. For rotational changes, we demonstrate that the estimator exhibits stochastically bounded estimation errors, implying break fraction consistency. Furthermore, we introduce an information criterion to estimate the number of breaks, proving that it can detect the true number with probability tending to one. Monte Carlo simulations confirm the strong finite sample performance of our proposed methods. Finally, we provide an empirical example to estimate structural breakpoints in the FRED-MD dataset spanning 1959 to 2024.