.png){kind=icon}
返回
Network-Assisted High-Dimensional Factor Model Estimation
.png){kind=icon}
PRE
AI
DOI：10.1080/07350015.2025.2548851.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文利用群体层面的异质性和网络凝聚现象来提高近似因子模型的估计精度。随着大规模异质面板数据的可用性增强，面板数据中未观测异质性的分组模式被凸显出来。因子载荷的聚类为模型化群体层面的异质性提供了解决方案。此外，网络结构在经济和金融领域频繁出现，它们捕捉大规模截面单元之间的互联性，从而应有助于学习隐含的群体结构。因此，我们提出了一种基于最大似然的方法，该方法为负对数似然函数配备了两个新的正则化项：一个经典的K均值惩罚项用于鼓励因子载荷向量之间的社区结构，以及一个拉普拉斯惩罚项用于鼓励相互关联个体对应因子载荷的相似性。开发了一种计算高效的算法来实现惩罚型最大似然估计。在温和假设下，我们建立了模型估计量的简洁收敛速率，允许隐含群体数量被超额指定。开发了一种基于似然的信息准则，以一致地识别实际应用中的真实群体数量。全面的模拟研究支持渐近结果。最后，对两个真实数据集的应用展示了我们方法的实际相关性和优越性。
Keyword:
Approximate factor model
Asymptotic property
Group-level heterogeneity
Network structure
Penalized maximum likelihood
期刊
J
IF:
2.5
论文数:
119
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容