Constructing High Frequency Economic Indicators by Imputation
通过插补构建高频经济指标AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以因子提取构建经济活动指标，并明确比较处理误差序列相关的时间序列插补方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过插补构建高频经济指标
- 研究问题
- 如何利用高频数据中的多个因子，为已有低频扩散指数补出高频取值，并揭示低频汇总可能掩盖的经济信息变化？
- 方法与思路
- 作者将目标指数的高频值视为缺失，利用高频数据估计因子，并比较静态矩阵补全与考虑误差序列相关的动态插补。
- 材料陈述的贡献
- 摘要称动态方法在所考察案例中更贴近低频观测，并构建消费者信心历史月度值及可呈现额外波动的周度 CFNAI。
- 阅读关注点
- 应核对高低频指数之间的约束、因子提取和动态误差设定，以及插补精度如何评估、季节性与历史数据如何处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要报告的是特定案例，未说明插补不确定性或普遍精度保证。
原文摘要
Monthly and weekly economic indicators are often taken to be the largest common factor estimated from high and low frequency data, either separately or jointly. To incorporate mixed frequency information without directly modeling them, we target a low frequency diffusion index that is already available, and treat high frequency values as missing. We impute these values using multiple factors estimated from the high frequency data. In the empirical examples considered, static matrix completion that does not account for serial correlation in the idiosyncratic errors yields imprecise estimates of the missing values irrespective of how the factors are estimated. Single equation and systems-based dynamic procedures that account for serial correlation yield imputed values that are closer to the observed low frequency ones. This is the case in the counterfactual exercise that imputes the monthly values of consumer sentiment series before 1978 when the data was released only on a quarterly basis. This is also the case for a weekly version of the CFNAI index of economic activity that is imputed using seasonally unadjusted data. The imputed series reveals episodes of increased variability of weekly economic information that are masked by the monthly data, notably around the 2014-15 collapse in oil prices.