Mean Square Errors of factors extracted using principal components, linear projections, and Kalman filter
主成分、线性投影与卡尔曼滤波提取因子的均方误差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：摘要核心是大横截面系统中的因子提取、误差比较和因子置信区间，对应因子模型方向。
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…
主成分、线性投影与卡尔曼滤波提取因子的均方误差
- 研究问题
- 在横截面维度有限且特异成分存在不同相关结构时，主成分与卡尔曼滤波提取因子的误差和不确定性有何差别？
- 方法与思路
- 作者比较不同特异成分相关结构下的有限维均方误差，区分确定性与随机因子处理，并分析方差和相关结构误设。
- 材料陈述的贡献
- 摘要称，在所研究设定中，主成分因子的均方误差大于相应卡尔曼滤波因子，并以模拟说明这些结果对因子置信区间的意义。
- 阅读关注点
- 核对误差比较所依赖的因子随机性、序列相关和信息集设定，以及参数是否已知、误设如何影响置信区间构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未列出完整比较条件，不能据此断言卡尔曼滤波在所有设定下更优。
原文摘要
Factor extraction from systems of variables with a large cross-sectional dimension, $N$, is often based on either Principal Components (PC)-based procedures, or Kalman filter (KF)-based procedures. Measuring the uncertainty of the extracted factors is important when, for example, they have a direct interpretation and/or they are used to summarized the information in a large number of potential predictors. In this paper, we compare the finite $N$ mean square errors (MSEs) of PC and KF factors extracted under different structures of the idiosyncratic cross-correlations. We show that the MSEs of PC-based factors, implicitly based on treating the true underlying factors as deterministic, are larger than the corresponding MSEs of KF factors, obtained by treating the true factors as either serially independent or autocorrelated random variables. We also study and compare the MSEs of PC and KF factors estimated when the idiosyncratic components are wrongly considered as if they were cross-sectionally homoscedastic and/or uncorrelated. The relevance of the results for the construction of confidence intervals for the factors are illustrated with simulated data.