A spectral EM algorithm for dynamic factor models
动态因子模型的谱域 EM 算法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。
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：摘要直接研究动态因子与 ARMA 时间序列估计，并提取美国部门就业增长的共同成分，因此归入宏观因子和时间序列。
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…
动态因子模型的谱域 EM 算法
- 研究问题
- 研究如何高效估计包含大量序列的动态因子模型，在缺乏良好初值时保持可计算性，并提取部门就业增长的共同变化。
- 方法与思路
- 作者提出频域 EM 算法和 ARMA 模型的迭代间接推断，并建议接近最优点时切换到利用 EM 原理解析计算谱得分的梯度方法。
- 材料陈述的贡献
- 摘要称，ARMA 迭代间接推断在任意有限迭代次数下不损失渐近效率，并用方法构建美国部门就业增长共同变动指数。
- 阅读关注点
- 应核对有限迭代无效率损失的条件、动态因子模型的识别与初值要求，以及算法切换准则和就业指数的比较方式。
- 阅读边界
- 仅据所给出版社摘要，不能把 ARMA 程序的效率结论直接推广到全部动态因子估计；运行时间、收敛范围和指数比较结果未说明。
原文摘要
We make two complementary contributions to efficiently estimate dynamic factor models: a frequency domain EM algorithm and a swift iterated indirect inference procedure for ARMA models with no asymptotic efficiency loss for any finite number of iterations. Although our procedures can estimate such models with many series without good initial values, near the optimum we recommend switching to a gradient method that analytically computes spectral scores using the EM principle. We successfully employ our methods to construct an index that captures the common movements of US sectoral employment growth rates, which we compare to the indices obtained by semiparametric methods.