Dynamic factors in the presence of blocks
具有分块结构的动态因子分析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：摘要明确以分块的大型宏观时间序列面板为对象，识别联合及块特定的动态共同因子。
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
具有分块结构的动态因子分析
- 研究问题
- 大型宏观时间序列面板可分成多个子块时，如何区分跨块共有与块内特有的共同因子，并解释块间动态联系？
- 方法与思路
- 作者结合既有动态因子分析方法与因子识别方法，识别和估计联合共同因子及块特定因子，并分解所解释的方差。
- 材料陈述的贡献
- 摘要称，该方法支持更细致地分析块内与块间动态关系，并提供具有信息含量的方差分解；应用使用三国工业生产指数。
- 阅读关注点
- 应核对联合因子与块特定因子的定义、块划分和因子数识别条件，以及方差分解是否依赖额外的正交化或归一化规则。
- 阅读边界
- 仅依据所给出版社摘要；摘要未说明识别假设、估计性质或具体方差份额，动态共同变化不能直接解释为因果传导。
原文摘要
Macroeconometric data often come under the form of large panels of time series, themselves decomposing into smaller but still quite large subpanels or blocks. We show how the dynamic factor analysis method proposed in Forni et al. (2000), combined with the identification method of Hallin and Liska (2007), allows for identifying and estimating joint and block-specific common factors. This leads to a more sophisticated analysis of the structures of dynamic interrelations within and between the blocks in such datasets, along with an informative decomposition of explained variances. The method is illustrated with an analysis of a dataset of Industrial Production Indices for France, Germany, and Italy.