Inference in Sparsity-Induced Weak Factor Models
稀疏性诱导的弱因子模型推断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：摘要研究弱因子及稀疏载荷，并应用于FRED-MD宏观变量、股票超额收益与五因子回归残差，支持宏观因子和金融因子分类。
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
稀疏性诱导的弱因子模型推断
- 研究问题
- 高维近似因子模型中，载荷稀疏与较弱的信号特征值会怎样影响推断，如何判断哪些载荷为零，并控制大量检验的错误发现？
- 方法与思路
- 作者以去偏稀疏正交因子回归估计为基础检验各载荷是否为零，方法也适用于主成分估计；随后依据筛选结果构造稀疏化估计量。
- 材料陈述的贡献
- 摘要称，程序控制错误发现率且功效趋于一，并建立稀疏化估计的一致性；宏观与股票收益应用支持稀疏载荷，还发现五因子回归残差中的弱因子。
- 阅读关注点
- 核对因子强度、载荷稀疏度与识别限制，以及去偏、错误发现率控制和一致性的条件；应用部分重点检查五因子残差中弱因子的解释。
- 阅读边界
- 仅据出版社摘要，稀疏载荷证据依赖文中识别限制；因子旋转对结论的影响、较弱信号的可检测边界及经济含义，摘要未说明。
原文摘要
In this article, we consider statistical inference for high-dimensional approximate factor models. We posit a weak factor structure, in which the factor loading matrix can be sparse and the signal eigenvalues may diverge more slowly than the cross-sectional dimension, N. We propose a novel inferential procedure to decide whether each component of the factor loadings is zero or not, and prove that this controls the false discovery rate (FDR) below a preassigned level, while the power tends to unity. This “factor selection” procedure is primarily based on a debiased version of the sparse orthogonal factor regression (SOFAR) estimator; but is also applicable to the principal component (PC) estimator. After the factor selection, the resparsified SOFAR and sparsified PC estimators are proposed and their consistency is established. Finite sample evidence supports the theoretical results. We apply our method to the FRED-MD dataset of macroeconomic variables and the monthly firm-level excess returns which constitute the S&P 500 index. The results give very strong statistical evidence of sparse factor loadings under the identification restrictions and exhibit clear associations of factors and categories of the variables. Furthermore, our method uncovers a very weak but statistically significant factor in the residuals of Fama-French five factor regression.