Dynamic factor model with infinite‐dimensional factor space: Forecasting
无限维因子空间的动态因子模型：预测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：摘要明确比较动态因子模型，并以工业生产和通胀为伪实时预测目标，直接对应宏观因子模型与预测。
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…
无限维因子空间的动态因子模型：预测
- 研究问题
- 研究三种动态因子模型对美国工业生产和通胀的预测表现，关注大缓和、大衰退及随后复苏阶段是否影响模型之间的相对预测效果。
- 方法与思路
- 作者使用美国宏观与金融月度大数据，以滚动窗口开展伪实时预测，比较标准主成分、广义主成分及摘要列出的第三种动态因子模型。
- 材料陈述的贡献
- 摘要称第三种模型在大缓和期对工业生产和通胀显著占优，且全样本通胀预测最佳；但全样本工业生产预测落后于另两种模型。
- 阅读关注点
- 核对滚动窗口长度、变量预处理、因子数选择、预测期限和显著性检验，并查看分时期结果及伪实时评估如何处理数据修订。
- 阅读边界
- 摘要未说明是否使用历史数据版本、预测期限、评价指标与显著性检验；所述优势随目标变量和时期变化，不能概括为普遍占优。
原文摘要
Summary The paper compares the pseudo real‐time forecasting performance of three dynamic factor models: (i) the standard principal component model introduced by Stock and Watson in 2002; (ii) the model based on generalized principal components, introduced by Forni, Hallin, Lippi, and Reichlin in 2005; (iii) the model recently proposed by Forni, Hallin, Lippi, and Zaffaroni in 2015. We employ a large monthly dataset of macroeconomic and financial time series for the US economy, which includes the Great Moderation, the Great Recession and the subsequent recovery (an update of the so‐called Stock and Watson dataset). Using a rolling window for estimation and prediction, we find that model (iii) significantly outperforms models (i) and (ii) in the Great Moderation period for both industrial production and inflation, and that model (iii) is also the best method for inflation over the full sample. However, model (iii) is outperformed by models (ii) and (i) over the full sample for industrial production.