[论文解读] Approximate Factor Models with Weaker Loadings

Jushan Bai, Serena Ng|arXiv (Cornell University)|Sep 8, 2021

Economic theories and models被引用 4

一句话总结

本文在较弱的载荷强度下建立了近似因子模型中主成分估计量的一致性和渐近正态性，其中载荷按 $N^{-\alpha}$ 规模缩放，$\alpha \in (0,1]$。结果表明，即使载荷较弱，估计仍保持一致，且随着 $\alpha$ 减小，收敛速度变慢；同时提出了适用于异质载荷的统一框架，并为强因子分析提供了简化证明。

ABSTRACT

Pervasive cross-section dependence is increasingly recognized as a characteristic of economic data and the approximate factor model provides a useful framework for analysis. Assuming a strong factor structure where $\Lop\Lo/N^α$ is positive definite in the limit when $α=1$, early work established convergence of the principal component estimates of the factors and loadings up to a rotation matrix. This paper shows that the estimates are still consistent and asymptotically normal when $α\in(0,1]$ albeit at slower rates and under additional assumptions on the sample size. The results hold whether $α$ is constant or varies across factor loadings. The framework developed for heterogeneous loadings and the simplified proofs that can be also used in strong factor analysis are of independent interest.

研究动机与目标

• 建立当因子载荷较弱时（即 $\bm{\Lambda}^{0'\prime}\bm{\Lambda}^{0}/N^{\alpha}$ 具有正定极限）主成分估计量的渐近性质，其中 $\alpha \in (0,1]$。
• 解决关于当强因子假设（$\alpha=1$）不成立时，PC估计量是否仍保持一致的模糊性，尤其在 Onatski (2012) 表明当 $\alpha=0$ 时出现不一致性的背景下。
• 为具有不同 $\alpha_r$ 的异质载荷构建一般性框架，表明最弱的载荷决定了渐近行为。
• 通过使用更高阶的假设和对旋转矩阵 $\bm{H}$ 的近似，简化强因子分析中的现有证明，从而实现更灵活的推断。

提出的方法

• 本文引入一个一般性渐近框架，其中因子载荷强度由 $\alpha \in (0,1]$ 索引，允许弱于经典 $\alpha=1$ 情况的载荷。
• 使用旋转矩阵 $\bm{H}$ 将估计因子 $\tilde{\bm{F}}$ 与真实因子 $\bm{F}^0$ 对齐，并推导 $\bm{H}$ 的渐近近似以简化分析。
• 作者推导了低秩分量 $\tilde{\bm{C}}$ 和因子空间的误差率，表明 $\frac{1}{NT}\sum\|\tilde{C}_{it}-C_{it}^0\|^2 = O_p(N^{-1}) + O_p(T^{-1})$。
• 对于因子估计，误差为 $\frac{1}{T}\sum\|\tilde{F}_t - \bm{H}'F_t^0\|^2 = O_p(N^{-\alpha}) + O_p((N^{1-\alpha}/T)^2)$，当 $\alpha > 0$ 且 $N^{1-\alpha}/T \to 0$ 时为 $o_p(1)$。
• 该框架通过允许 $\alpha_1 \geq \cdots \geq \alpha_r > 0$ 处理异质载荷，其中最弱的载荷 $\alpha_r$ 决定渐近行为。
• 本文采用一种新颖的证明技术，基于对旋转矩阵 $\bm{H}$ 的近似，从而得到简化的渐近方差表示，并支持用户偏好的方差形式下的推断。

实验结果

研究问题

• RQ1 当因子载荷较弱（即 $\alpha \in (0,1)$）时，主成分估计量是否仍一致？
• RQ2 在较弱载荷下，估计因子和载荷的收敛速度如何？与强因子情形（$\alpha=1$）相比有何差异？
• RQ3 在较弱载荷下，估计量的渐近正态性是否仍然成立？在何种 $\alpha$ 条件下成立？
• RQ4 当载荷在不同因子间呈现异质强度时，渐近行为如何变化？哪一载荷强度决定了极限分布？
• RQ5 该证明技术能否被简化并推广，以同时适用于弱因子和强因子模型？

主要发现

• 主成分估计量对低秩分量 $\tilde{\bm{C}}$ 是一致的，误差率为 $O_p(N^{-1}) + O_p(T^{-1})$，与强因子情形相同。
• 估计因子空间的收敛速度为 $O_p(N^{-\alpha}) + O_p((N^{1-\alpha}/T)^2)$，当 $\alpha > 0$ 且 $N^{1-\alpha}/T \to 0$ 时为 $o_p(1)$，确保因子空间估计的一致性。
• 对 $\sqrt{N^\alpha}(\tilde{\bm{F}}_t - \bm{H}'\bm{F}_t^0)$ 的渐近正态性要求 $\alpha > 1/2$，而 $\tilde{\bm{F}}_t$ 的一致性在 $\alpha > 1/3$ 时成立，$\tilde{\bm{\Lambda}}_i$ 的一致性在 $\alpha > 0$ 时成立。
• 对于异质载荷且 $\alpha_r$ 为最弱载荷的情形，渐近正态性要求 $\alpha_r > 1/2$，但个体估计的一致性即使在 $\alpha_r \leq 1/2$ 时也成立，只要 $\alpha_r > 0$ 即可保证一致性。
• 新证明技术简化了现有推导，并通过支持用户偏好的渐近方差表示，实现了灵活推断。
• 模拟结果证实，即使在 $\alpha < 1$ 时，估计量仍保持一致且表现良好，因子和载荷估计的 $R^2$ 值随 $T$ 和 $N$ 增加而提高。