计量经济学基础与趋势®>第12卷>第2版

动态因子模型中的因子提取：卡尔曼滤波与主成分

由 埃丝特·鲁伊斯西班牙马德里卡洛斯三世大学，ortega@est-econ.uc3m.es|皮拉尔·蓬塞拉西班牙马德里大学

 
建议引用
Esther Ruiz和Pilar Poncela（2022），“动态因子模型中的因子提取：卡尔曼滤波器与主成分”，计量经济学中的基础与趋势®：第12卷：第2期，第121-231页。http://dx.doi.org/10.1561/080000039

出版日期：2022年11月30日
©2022 E.Ruiz和P.Poncela版权所有
 
学科
降维,  多维信号处理,  信号分解,  过滤、估计、识别,  计量经济模型,  潜在变量模型,  非平稳时间序列,  时间序列分析
 
关键词
Markov开关, 缺失的观测值, 混频, 多层次, 非国家性, 时变参数, 未观察到的组件
 

免费预览：

下载摘录

分享

日记帐详细信息

下载文章
在本文中：
1.简介
2.静态和静态DFM中的因子提取
3.非静态动态因子模型
4.结构中断、时间变化参数和Markov-Switching DFM
5.多级动态因子模型
6.矩阵值动态因子模型
7.缺失观测值和混合频率变量
8.最后备注
致谢
工具书类

摘要

本调查研究了在适用于经济和金融变量多元系统的动态因子模型（DFM）背景下的因子提取文献。经验应用中经常使用的许多最流行的因子提取程序都基于主成分（PC）或卡尔曼滤波平滑（KFS）技术。首先，我们表明KFS因子是同期信息（PC因子）的加权平均值而过去的信息以及后者的权重可以忽略不计，除非这些因素接近非平稳边界和/或它们的载荷与特质成分的方差-方差矩阵相比非常小。请注意，过去的权重可能很大，因为横截面尺寸较小，或者因为因子载荷的大小较小。因此，我们能够解释为什么在实践中，当从大尺寸的静止系统中提取时，人们普遍认为PC和KFS因子相当相似。其次，我们调查了PC和KFS如何处理从实际数据系统中提取因子时经常遇到的几个问题。特别是，我们描述了处理混合频率和缺失观测、结构突变、非平稳性、Markov开关参数或多级因子结构的PC和KFS程序。总的来说，我们看到KFS在处理这些问题时非常灵活。

内政部：10.1561/0800000039

书籍详细信息

十亿英镑：978-1-63828-096-5
124页85.00美元
购买书籍（pb）
 
十亿英镑：978-1-63828-097-2
124页145.00美元
购买电子书（.pdf）
目录：
1.简介
2.静态和静态DFM中的因子提取
3.非平稳动态因子模型
4.结构中断、时间变化参数和Markov-Switching DFM
5.多级动态因子模型
6.矩阵值动态因子模型
7.缺失观测值和混合频率变量
8.最后备注
致谢
工具书类

动态因子模型中的因子提取：卡尔曼滤波与主成分

动态因子模型中的因子提取：卡尔曼滤波器与主成分调查了在适用于经济和金融变量多元系统的动态因子模型（DFM）背景下因子提取的文献。经验应用中经常使用的许多最流行的因子提取程序都基于主成分（PC）或卡尔曼滤波平滑（KFS）技术。首先，作者表明KFS因子是同期信息（PC因子）的加权平均值过去的信息以及后者的权重可以忽略不计，除非这些因素接近非平稳边界，并且/或者它们的载荷与特质成分的方差-方差矩阵相比非常小。其次，作者调查了PC和KFS如何处理从实际数据系统中提取因子时经常遇到的几个问题。特别是，它们描述了PC和KFS处理混合频率和缺失观测、结构断裂、非平稳性、Markov开关参数或多级因子结构的程序。总的来说，KFS在处理这些问题上非常灵活。

 
ECO-039号