Universal Factor Models
通用因子模型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：摘要直接研究因子空间、载荷及因子数，并通过全部分位水平识别因子，支持因子模型与分位数方向。
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…
关注这篇论文的作者
通用因子模型
- 研究问题
- 在大横截面、大时间维度下，如何识别对均值或多数分位点影响很弱、但在某些分位点较强的潜在因子？
- 方法与思路
- 作者同时利用结果变量的全部分位水平构建因子分析框架，并通过样本分割处理附带干扰参数，估计因子与载荷。
- 材料陈述的贡献
- 摘要称，只要每个因子在某个未知分位点较强，即可实现因子空间的指定收敛率，并提供渐近正态推断及因子数选择。
- 阅读关注点
- 应核对分位点上的强因子条件、横截面与时间依赖限制，以及样本分割如何支持因子、载荷和因子数的估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未给出完整条件，不能将稳健性推广到所有形式的弱因子。
原文摘要
We propose a new factor analysis framework and estimators of the factors and loadings that are robust to certain weak factors in a large $N$ and large $T$ setting. Our framework, by simultaneously considering all quantile levels of the outcome variable, induces standard mean and quantile factor models, but the factors can have an arbitrarily weak influence on the outcome's mean or quantile at most quantile levels. Our method estimates the factor space at the $\sqrt{N}$-rate as long as each factor is strong at some unknown quantile level, and achieves $\sqrt{N}$- and $\sqrt{T}$-asymptotic normality for the factors and loadings based on a novel sample splitting approach that handles incidental nuisance parameters. We also develop a weak-factor-robust estimator of the number of factors and consistent selectors of factors of any tolerated level of influence on the outcome's mean or quantiles. Monte Carlo simulations demonstrate the effectiveness of our method.