Notice bibliographique
Résumé
ABSTRACT Factor models are indispensable tools in economics and finance, providing valuable insights into the latent structures underlying complex datasets. Nevertheless, the prevalence of heavy‐tailed macroeconomic and financial data, often characterized by extreme values and greater skewness than that found in a normal distribution, presents significant analytical challenges. This article introduces mode‐adaptive factor models (MAFM) for robust factor analysis in high‐dimensional panel data, inspired by the equivalence between conventional principal component analysis and the constrained least squares method in factor models. Unlike traditional factor models that concentrate on mean estimation, MAFM leverage the mode to capture central tendencies more effectively, particularly in the presence of skewed and heavy‐tailed distributions. To facilitate MAFM for factor analysis, we develop an iterative mode regression algorithm that integrates the expectation‐maximization procedure, ensuring convergence to a stationary solution. We establish the theoretical properties of the MAFM estimators without imposing moment constraints on idiosyncratic errors and propose a mode information criterion for consistent factor number selection. We also suggest a data‐dependent bandwidth selection procedure to enhance the flexibility of MAFM. The simulation studies demonstrate the effectiveness of MAFM across diverse distributional settings. An empirical application to macroeconomic forecasting further highlights the practical advantages of MAFM, showcasing their robustness and efficacy in real‐world analyses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».