Dealing with idiosyncratic cross-correlation when constructing confidence regions for PC factors
主成分因子置信区域构造中的特异成分横截面相关处理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：摘要直接讨论主成分因子及其置信区域，核心方法属于因子模型推断。
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…
主成分因子置信区域构造中的特异成分横截面相关处理
- 研究问题
- 当因子模型的特异成分存在横截面相关时，如何简便估计主成分因子的渐近协方差，并据此构造可靠的置信区域？
- 方法与思路
- 作者对特异残差的样本协方差实施自适应阈值化，阈值依据各协方差的方差确定，再用所得渐近均方误差构造因子置信区域。
- 材料陈述的贡献
- 摘要称，该估计量计算简单且允许特异成分相关；在多种横截面相关结构下，其置信区域的有限样本表现优于所比较的渐近和自助法方案。
- 阅读关注点
- 应核对因子的旋转或归一化方式、协方差阈值与方差估计、允许的横截面相关结构，以及置信区域比较采用的覆盖率和大小指标。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未说明相关结构的限制、渐近条件及具体比较数值，所述优势仅是作者报告。
原文摘要
In this paper, we propose a computationally simple estimator of the asymptotic covariance matrix of the Principal Components (PC) factors valid in the presence of cross-correlated idiosyncratic components. The proposed estimator of the asymptotic Mean Square Error (MSE) of PC factors is based on adaptive thresholding the sample covariances of the id iosyncratic residuals with the threshold based on their individual variances. We compare the nite sample performance of condence regions for the PC factors obtained using the proposed asymptotic MSE with those of available extant asymptotic and bootstrap regions and show that the former beats all alternative procedures for a wide variety of idiosyncratic cross-correlation structures.