动态因子模型解析.ppt

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，Sargent and Sims(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,and Sala(2004) and Watson(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。 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： 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Sargent and Sims(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，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 Engle and Watson(1981,1983),Stock and Watson(1989),Sargent(1989),and Quah and Sargent(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λ(L)的维度 ， 表示一个r×1维向量，令 ,这里 为