《动态因子模型》PPT课件.ppt

《《动态因子模型》PPT课件.ppt》由会员分享，可在线阅读，更多相关《《动态因子模型》PPT课件.ppt（46页珍藏版）》请在金锄头文库上搜索。

1、动态因子模型DFMs 2010年1月 2010年5月7日修订 JamesH Stock MarkW Watson 目录 二因子的估计 三因子数量的决定 一引言 四被估计因子的应用 五选择性拓展 因此 宏观经济学家面临的数据集 成百上千个序列 但每个序列观察的数量相当少 例如20至40年的季度数据 DFMs 背景 最初由Geweke 1977 提出 作为以前由横截面数据发展而来的因子模型的一个时间序列扩展 早期影响力作品中 SargentandSims 1977 有两个动态因子能够解释大部分美国重要的宏观经济季度变量的方差 例如产量 就业和价格 Giannone Reichlin andSala

2、 2004 andWatson 2004 一个因子能够解释宏观经济序列的大部分方差 这一主要的经验主义发现已被许多研究所证实 在过去几十年得到很大注意力 因为它能够模拟序列数量大于时间观测数量的数据集的同时性和一致性 目的 在现有的DFMs著作中 所描述的在某种程度上具体足以用于使研究者创新于此领域 关键的理论结果 应用和经验主义的发现 BaiandNg 2008 和StockandWatson 2006 对这个作品提供了补充性的调查 BaiandNg 2008 比这个更有技术性 并且更专注于计量经济学的理论和条件 StockandWatson 2006 关注在DFM基础上的预测 它是在许多预

3、测者使用的其他方法背景下进行的 DFMs 前提 一些潜在的动态因子 联动于一个时间序列变量构成的高维向量 也被一个均值为零的特殊干扰向量所影响 这些特殊干扰是由测量误差和特定于单个序列的特殊性质所引起的 例如 沙门氏菌恐慌对餐厅就业的影响 这些潜在的因子 遵循一定的时间序列过程 一般认为是一个向量自回归过程 VAR DFMs 动态因子模型用方程式表示为 这里有N个序列 所以和为N 1阶 有q个动态因子 所以和为q 1阶 L为滞后算子 且滞后多项式矩阵 L 和 L 分别为N q阶和q q阶 第i个滞后多项式是第i个序列所加载的动态因子 和是第i个序列的主成分 我们假定 1 和 2 中所有的过程都

4、是固定的 不固定的情况在本章最后部分讨论 特殊干扰被假定与前后的创新因素是不相关的 即 对于所有的k 在所谓精确的动态因子模型中 特殊干扰被假定为在前后步中是不相关的 即 对于所有的s 如果i j DFMs 考虑DFMs的一个重要的动机是 如果已知因子 且是高斯的 我们就能对一个单独的变量做出有效的预测 运用到滞后因素和变量滞后性的总体回归 于是 预测者只运用q个因子就能从所有N变量中得到好处 这里q远远小于N 特别地 在方差损失下 第i个变量的最理想的向前一步预测为 这里第三行根据等式 2 最后一行根据 1 和精确的DFM假设 于是 有效总体预测回归的维数不会随着系统变量的增加而增加 计量经

5、济学家将会考虑的第一个问题 估计因子 或更精确的说 判断因子的跨越空间 和确定有多少因子 第2和第3部分一旦有了这些因子的可靠估计量 不仅仅是用来预测 而且把它们作为工具变量 估计因子增广向量自回归 FAVARs 和估计动态随机一般均衡模型 DSGEs 第4部分第5部分会讨论一些拓展 二因子估计 Geweke 1977 和SargentandSims 1977 开创性的工作是用频域分析方法来寻找动态因子结构的迹象和预测因子的重要程度 然而 那些方法不能够直接估计 因此也不能用于预测 后来的DFMs工作针对时域分析方法 这时能够直接被估计 DFMs的时域估计研究分为三个阶段 第一阶段 低维 N很

6、小 参数模型运用高斯最大似然估计法 MLE 和卡尔曼滤波 这种方法提供了在模型假设和参数下f的最佳估计量 和最佳预测值 然而 那些参数的估计必须包括非线性的优化 这种优化有限制参数数量的作用 从而限制能够被处理 运用的序列数量 第二阶段 大N的非参数估计运用横截面平均方法 主要是主成分和相关分析方法 第二阶段的关键结果是因子拓展空间的主成分估计量是一致的 此外 如果N充分大 因子被精确的估计其精确度足以使其作为后面回归的数据 第三阶段 运用因子的一致非参数估计量来估计第一阶段中状态空间模型的参数 从而解决第一阶段模型中相关的维度问题 在状态空间模型中 许多参数未知的问题解决办法是运用贝叶斯方法

7、 即 用优先和整合取代最大化 一小部分论文用到这种解决方法 它同时还用到第二和第三阶段的 传统的 估计量 注意 这一部分中所有方法都假设数据已消除单位根和其趋势 代表性地 通过区分所需的序列 然后标准化不同的序列来完成 例如 一个典型的元素X可能为一个真实活动预测量的某一阶段增长率 它被标准化为零均值和单位标准偏差 2 1第一阶段 时域最大似然法 通过卡尔曼滤波 EngleandWatson 1981 1983 StockandWatson 1989 Sargent 1989 andQuahandSargent 1993 早期的动态因子模型的时间域估计用卡尔曼滤波来估算高斯似然 用最大似然法来

8、估计参数 然后用卡尔曼滤波和滤波器得到因子有效估计 把DFM写成一个线性状态空间模型 令p作为滞后多项式矩阵 L 的维度 表示一个r 1维向量 令 这里为第i个滞后矩阵 L 的N q维系数矩阵 令 L 为只包含1 0和 L 中元素的矩阵 DFM 1 和 2 被改写为 这里 G为一个只有1和0的矩阵 因此 5 和 2 是等价的 等式 4 和 5 被称为DFM的静态形式 因为这些因子只能同时出现 线性状态空间模型通过详细说明对于和误差的过程而完成 典型地 误差项被假定为遵循单变量的自回归 随着更进一步的假设为服从独立同分布 i 1 N 服从独立同分布 j 1 q 和是独立的 等式 4 到 6 构成

9、一个完全线性状态空间模型 给出了这些参数 卡尔曼滤波能够用作计算可能性和估计的过滤值 进而估计 6 这个参数的状态空间模型的好处是 它能够处理数据的不规则性 EM算法会用来估计参数的最大似然估计 MLEs 不过 参数的数量要与N成比例 所以MLE系数的直接估计是难处理的 2 2第二阶段 非参数平均方法 1横截面平均法为什么起作用2主成分估计3广义主成分估计4动态主成分 1横截面平均法为什么起作用 考虑的横截面平均因子估计的动机为 特殊干扰的加权平均数将根据弱大数定理收敛到0 以至于只有因子的线性组合依然存在 横截面平均估计量是在DFM 4 的静态表示基础上的 横截面平均估计量是非参数的 在某种

10、意义上他们不需要这样一个参数模型 正如 5 中的因子F或者 6 中的特殊动态 所取代的是 被认为是一个由一N维数据向量所估计的r维参数 取代参数假设 按照ChamberlainandRothschild 1983 的近似因子模型的较弱的假设是关于因子结构的 尤其是 考虑到以下条件 把构造的的估计量看作X的加权平均数 用到了一个权重为W的非随机N r矩阵 这里W被标准化以至于W W N 9 一般来说 对于 将会有不足的结构去假定一个权重矩阵W W不依靠这些主成分分析所到达的数据 2主成分估计 F的主成分估计量是加权平均估计 9 并且W 这里的是的样本方差矩阵的特征向量矩阵 关联于的r个最大的特征

11、向量 主成分估计量能够导出最小二乘问题的解决办法 服从于其标准化 为了解决 11 首次最小化 提供的 从而得到 然后集中于目标函数 因此 11 变成 这个最小化问题等价于 它依次等价于服从于 这个最后的问题的解决办法是使等价于扩展的特征向量 它与它的r个最大的特征向量相对应 因为 这意味着F的最小二乘估计量是 即X的扩展的前r个主成分 的主成分估计量的一致性首次被显示为固定的T和N 被ConnorandKorajczyk 1986 在确切的静态因素模型中表示 StockandWatson 2002s 在更弱的条件下证明了因子的统一一致性 允许特殊误差的弱连续和互相关 也提供了N和T的率条件 在

12、被当作是第二阶段最小二乘回归的数据的条件下 即 的估计误差不能够影响作为回归量的OLS的系数的渐进分布 Bai 2003 提供了估计因子和一般成分的极限分布 BaiandNg 2006a 提供了增长率 尤其是N T 和N2 T 在是一致的且在后来的回归中作为数据的条件下 他们也提供了用估计的一般成分的置信区间结构的结果 3广义主成分估计 广义主成分对于主成分相当于广义最小二乘法对于最小平方 如果干扰误差变量矩阵 与单位矩阵不成比例 那么最小二乘回归的类比表明和 解决了 11 的加权版本 这里的权重矩阵为 至少有三个可行的广义主成分估计的版本被提名为DFM 首先 Forni Hallin Lip

13、pi andReichlin 2005 重新整理了这个分解 这里是一般成分 这个分解由 4 而来 的方差来获得 他们提出通过动态主成分来估计 在下面会提到 第二 BoivinandNg 2003 提出运用估计量 这里是在主成分估计量上回归的误差变量的通常估计量 令的非对角线位置为0 则它们的权重矩阵只含有N个估计元素 这些解决办法都没有提出有可能序列相关 把这个考虑在内的话 StockandWatson 2005 提出了一个三步的解决办法 近似于Cochrane Orcutt估计量 当通过主成分被首次估计时 N个独立自回归适合在上回归的残差 X运用第i个自回归的系数是拟差分的 然后Boivin

14、 Ng 2003 的 的对角线方法也应用于这些拟差分中 4动态主成分 动态主成分是由Brillinger 1964 1981 发展而来的主成分的频域模拟 Forni Hallin Lippi andReichlin 2000 2004 证明了一般成分的一致性并且提供了其收敛率 这些一般成分是被动态主成分估计的 通过动态主成分估计f的方法需要两边平滑 所以样本最后f的估计量是不可得的 结果是 动态主成分不能够直接用于预测 工具变量回归 FAVAR或者其他需要用到f的估计量的应用 对于所有样本来说 在这个调查中我们不再进一步讨论这个方法 2 3第三阶段 混合主成分和状态空间方法 估计因子方法的第三

15、个阶段是融合状态空间方法的统计效率和主成分方法的便利性及平稳性 这个合并的估计过程发生在两步 首先 这些因子通过主成分或者一般主成分所估计 第二步 这些被估计因子用来估计状态空间表示的未知参数 静态因子的状态空间模型 模型由 4 6 给出 动态因子的状态空间模型模型由式 1 2 和 6 给出 这些被估计参数完全地填充于状态空间模型中 以至于或能够运用卡尔曼平滑来更好地估计其估计量 这个估计量能引起时间序列平均 运用这些被估计的系数作为系数最大可能估计的一致开始值也是可能的 EngleandWatson 1983 QuanandSargent 1993 andDoz Giannone andRe

16、ichlin 2006 最大似然估计能够运用EM算法来估计 JungbackerandKoopman 2008 解决了如何加快在DFM中卡尔曼透视的估值 通过把转换为一个r 1阶向量 Jungbacker Koopman andvanderWel 2009 提供了额外的计算设备 当存在缺失数据时也能够使用 2 4估计量的比较 一些研究把各种估计量与真实数据作比较 得到了某种程度上不同的结论 当因子和特殊干扰是一致时 一般主成分估计量实质上更精确与共同成分的主成分估计量 虽然当N和T非常大时 这种不同会消失 并且在一个标准化数据下 只有很小的不同存在 把主成分估计量的预测性与各种可行的一般主成分估计量作比较 虽然存在细微差别 总体结论是运用各种因子估计量产生的预测值是高度共线的 2 5贝叶斯估计 DFM参数和因子也能用贝叶斯方法来估计 主要是由于三点 首先 当存在很多未知参数时 综合估算后面的部分能够在数字上更简单 更稳定 第二 在非线性或非高斯潜在变量模型中 直接估算的可能性是非常小的 第三 一些分析人员可能希望以一个先验分布的形式在模型的开头强加一些信息 贝叶斯方法在模型中包括非线性