Testing for sparse idiosyncratic components in factor-augmented regression models
检验因子增强回归中的稀疏特异成分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：摘要研究因子回归与稀疏特异成分，并明确应用于宏观经济和金融数据。
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
检验因子增强回归中的稀疏特异成分
- 研究问题
- 仅依赖共同因子的稠密回归是否已经充分，还是还需要加入少量特异成分，如何在时间依赖与多项式尾部下检验这种稀疏增量？
- 方法与思路
- 作者构造自助法检验，以因子回归为零假设、加入稀疏特异成分的模型为备择，并提出数据驱动调参规则及其理论论证。
- 材料陈述的贡献
- 摘要称，检验在时间依赖和多项式尾部下具有渐近性质，对稀疏备择功效较高、对稠密偏离功效较低；宏观与金融应用中经常拒绝零假设。
- 阅读关注点
- 应核对因子估计误差如何进入检验、自助抽样与依赖条件、调参规则，以及为何检验对稠密偏离功效较低和应用中拒绝的含义。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未给出完整理论条件与应用结果，拒绝零假设是否足以支持特定稀疏机制仍需核对。
原文摘要
We propose a novel bootstrap test of a dense model, namely factor regression, against a sparse plus dense alternative augmenting model with sparse idiosyncratic components. The asymptotic properties of the test are established under time series dependence and polynomial tails. We outline a data-driven rule to select the tuning parameter and prove its theoretical validity. In simulation experiments, our procedure exhibits high power against sparse alternatives and low power against dense deviations from the null. Moreover, we apply our test to various datasets in macroeconomics and finance and often reject the null. This suggests the presence of sparsity -- on top of a dense model -- in commonly studied economic applications. The R package FAS implements our approach.