Asymptotic analysis of the squared estimation error in misspecified factor models
因子数设定错误时估计平方误差的渐近分析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：摘要明确研究大型近似因子模型、共同成分与因子数量选择，直接支持因子模型方向，未说明金融专属应用。
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
因子数设定错误时估计平方误差的渐近分析
- 研究问题
- 在大型近似因子模型中，因子数量可能设定错误时，如何近似共同成分估计的平方误差，并据此比较模型和选择因子数？
- 方法与思路
- 作者在横截面与时间维度规模相当、存在强或弱因子的渐近框架下推导平方误差近似，并构造一致的损失估计。
- 材料陈述的贡献
- 摘要称所构造的损失估计可用于模型比较及因子数选择，最小化这些估计损失的因子数选择方法具有渐近损失效率。
- 阅读关注点
- 应核对强弱因子的定义、维度可比条件、因子数误设如何进入误差近似，以及损失效率与因子数一致性的区别。
- 阅读边界
- 仅据所给出版社摘要，无法确定损失近似公式和具体适用范围；渐近损失有效不等同于必然选中真实因子数量。
原文摘要
In this paper, we obtain asymptotic approximations to the squared error of the least squares estimator of the common component in large approximate factor models with possibly misspecified number of factors. The approximations are derived under both strong and weak factors asymptotics assuming that the cross-sectional and temporal dimensions of the data are comparable. We develop consistent estimators of these approximations and propose to use them for model comparison and for selection of the number of factors. We show that the estimators of the number of factors that minimize these loss estimators are asymptotically loss efficient in the sense of Shibata (1980), Li (1987), and Shao (1997).