动态因子模型在高维宏观经济监测中的应用.docxVIP

动态因子模型在高维宏观经济监测中的应用

一、引言：高维宏观经济监测的现实需求与模型引入

（一）宏观经济监测体系的高维化发展趋势

近年来，随着数字技术的迭代与统计体系的完善，宏观经济监测所依赖的数据体系呈现出显著的高维化特征。传统宏观监测往往仅聚焦几十个核心统计指标，涵盖生产、需求、价格、就业等基础领域，数据频率以月度、季度为主。而当前的监测数据体系不仅包含上百个官方统计指标，还纳入了大量市场化机构发布的高频数据，比如日度的发电耗煤量、周度的货运吞吐量、月度的企业景气调查数据等，同时覆盖了省级、地市级的区域数据以及数十个细分行业的运行数据，数据维度从过去的几十维扩张到数百维甚至上千维。这种高维化趋势一方面为更全面、更精准地感知宏观经济运行态势提供了数据基础，另一方面也对传统的监测分析方法提出了全新挑战。

（二）传统监测方法在高维场景下的局限性

传统的宏观经济监测方法在面对高维数据时往往存在明显短板。首先，以向量自回归模型为代表的传统时间序列分析方法存在“维度诅咒”问题，即随着变量数量增加，模型需要估计的参数数量呈指数级增长，而宏观数据的样本量往往有限，导致模型估计结果不稳定甚至无法估计，因此传统方法通常只能纳入少数核心变量，难以充分利用高维数据的丰富信息（李子奈，2018）。其次，传统的景气指数合成方法通常依赖研究者的主观判断筛选少数代表性指标，比如用工业增加值、发电量、货运量等指标