Detecting big structural breaks in large factor models
大型因子模型中大幅结构突变的检测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：摘要核心是大型因子模型载荷的结构突变检验，直接对应因子模型与结构变化。
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…
大型因子模型中大幅结构突变的检测
- 研究问题
- 大型因子模型的载荷出现非局部的小幅变化之外的大幅突变时，如何在突变日期已知或未知的情况下进行检测？
- 方法与思路
- 作者用主成分估计因子、以信息准则选择因子数，再检验一个估计因子对其余估计因子回归中的参数突变。
- 材料陈述的贡献
- 摘要称，该检验相对若干已有方法具有较好的功效，并可用于因子增强预测模型，以帮助避免载荷突变导致的预测失败。
- 阅读关注点
- 应核对大幅突变的形式定义、已知与未知日期的检验构造，以及因子数选择、估计因子误差和功效比较的设定。
- 阅读边界
- 所给出版社摘要未说明检验统计量、临界值或突变条件；其功效与预测用途陈述不能保证在任意因子模型中成立。
原文摘要
Time invariance of factor loadings is a standard assumption in the analysis of large factor models. Yet, this assumption may be restrictive unless parameter shifts are mild (i.e., local to zero). In this paper we develop a new testing procedure to detect big breaks in these loadings at either known or unknown dates. It relies upon testing for parameter breaks in a regression of one of the factors estimated by Principal Components analysis on the remaining estimated factors, where the number of factors is chosen according to Bai and Ng’s (2002) information criteria. The test fares well in terms of power relative to other recently proposed tests on this issue, and can be easily implemented to avoid forecasting failures in standard factor-augmented (FAR, FAVAR) models where the number of factors is a priori imposed on the basis of theoretical considerations.