Quantile Factor Models
分位数因子模型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：摘要研究分位数相关的共同因子，并应用于美国GDP增长和通胀预测，直接对应因子模型、分位数分析与宏观预测。
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…
分位数因子模型
- 研究问题
- 均值因子之外，潜在共同因子如何影响高维面板变量分布的其他位置，以及如何估计不同分位点的因子、载荷和因子数？
- 方法与思路
- 作者以分位数回归构造分位数因子分析，用核平滑版本推导渐近分布，并以信息准则和秩最小化确定各分位点的因子数。
- 材料陈述的贡献
- 摘要称，该方法可一致估计分位数相关因子与载荷，在特异误差厚尾时仍有效，并以宏观预测应用展示额外因子的作用。
- 阅读关注点
- 核对因子与载荷的识别条件、厚尾误差的容许范围、核平滑与因子数选择的假设，并查看宏观预测比较的具体设计。
- 阅读边界
- 摘要未说明误差依赖结构、厚尾条件和预测评估细节，不能据此判断所有厚尾情形下的有效性或相对其他预测方法的优势。
原文摘要
Quantile factor models (QFM) represent a new class of factor models for high‐dimensional panel data. Unlike approximate factor models (AFM), which only extract mean factors, QFM also allow unobserved factors to shift other relevant parts of the distributions of observables. We propose a quantile regression approach, labeled Quantile Factor Analysis (QFA), to consistently estimate all the quantile‐dependent factors and loadings. Their asymptotic distributions are established using a kernel‐smoothed version of the QFA estimators. Two consistent model selection criteria, based on information criteria and rank minimization, are developed to determine the number of factors at each quantile. QFA estimation remains valid even when the idiosyncratic errors exhibit heavy‐tailed distributions. An empirical application illustrates the usefulness of QFA by highlighting the role of extra factors in the forecasts of U.S. GDP growth and inflation rates using a large set of predictors.