.png){kind=icon}
返回
Robust factor analysis with exponential squared loss
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jmva.2025.105567.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大维因子模型旨在通过少数潜在共同因子实现降维和特征提取，因其广泛应用而引发了显著兴趣。尽管传统因子模型方法备受青睐，但它们可能对重尾数据产生错误的估计量。为解决此问题，本研究将指数平方损失引入因子模型，并称之为鲁棒指数因子分析（REFA）。我们提出了一种改进的秩最小化技术，以提升有限样本下因子数量的估计精度。在温和条件下，我们建立了因子和载荷的相合性性质，且无需对误差做矩假设。模拟研究展示了REFA在有限样本下轻尾和重尾情形下的性能表现。此外，一项基于资产回报金融数据集的分析进一步凸显了REFA的优越性。为方便研究者实施我们提出的方法，我们已开发了一个名为REFA的R软件包，该软件包可在CRAN上获取。
Keyword:
Exponential squared loss
Factor model
Heavy-tailed data
期刊
J
IF:
1.7
论文数:
97
被引数:
5.8K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容