从多样化投影学习潜因子及其在过度估计与弱因子上的应用
统计理论
2020-06-05 v3 统计方法学
统计理论
摘要
因子模型的估计与应用通常依赖于潜因子个数可被一致估计这一关键条件，而这又要求因子相对较强、数据平稳且序列依赖弱、样本量相当大，尽管在实际应用中这些条件可能部分或全部不满足。在此类情形下，难以分析数据矩阵的特征向量。为解决此问题，我们利用面板数据的横截面投影，通过具有预设权重的加权平均，提出简单的潜因子估计量。这些权重被选取以分散掉特异成分，从而得到“多样化因子”。由于投影是横截面进行的，它们对序列条件具有鲁棒性，易于分析，且即便对有限长度的时间序列也有效。我们严格证明该过程对过度估计因子个数具有鲁棒性，并展示其在若干应用中的表现，包括选择后推断、大数据预测、大协方差估计与因子设定检验。我们还推荐了几种多样化权重的选择。
引用
@article{arxiv.1908.01252,
title = {Learning Latent Factors from Diversified Projections and its Applications to Over-Estimated and Weak Factors},
author = {Jianqing Fan and Yuan Liao},
journal= {arXiv preprint arXiv:1908.01252},
year = {2020}
}