Identification theory for high dimensional static and dynamic factor models
高维静态与动态因子模型的识别理论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：题名与摘要明确研究高维静态和动态因子模型的识别，直接对应因子模型方向，但未说明具体宏观应用。
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
高维静态与动态因子模型的识别理论
- 研究问题
- 高维因子模型可能包含数千个参数，直接检验大型雅可比矩阵的秩既困难又可能不准确；如何简化局部识别的判断？
- 方法与思路
- 作者将高维雅可比矩阵的识别问题化为较小矩阵的秩检验，并允许模型限制同时包含线性与非线性形式。
- 材料陈述的贡献
- 摘要称，在高维因子模型的适当假设下，小矩阵秩条件是局部识别的必要且充分条件，并便于实际检查。
- 阅读关注点
- 应核对小矩阵如何构造、静态与动态模型分别需要哪些假设，以及非线性限制如何进入局部识别条件。
- 阅读边界
- 仅据所给出版社摘要，无法判断具体正则条件、数值稳定性或全局识别；局部识别结论不能直接扩展为全局结论。
原文摘要
High dimensional factor models can involve thousands of parameters. The Jacobian matrix for identification is of a large dimension. It can be difficult and numerically inaccurate to evaluate the rank of such a Jacobian matrix. We reduce the identification problem to a small rank problem, which is easy to check. The identification conditions allow both linear and nonlinear restrictions. Under reasonable assumptions for high dimensional factor models, the small rank conditions are shown to be necessary and sufficient for local identification.