A two-step estimator for large approximate dynamic factor models based on Kalman filtering
基于卡尔曼滤波的大型近似动态因子模型两步估计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：摘要直接研究大型动态因子模型，并说明其理论服务于即时预测框架。
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…
基于卡尔曼滤波的大型近似动态因子模型两步估计
- 研究问题
- 在时间序列数量较多的近似动态因子模型中，先估计模型参数再用卡尔曼平滑器提取因子的两步程序是否一致？
- 方法与思路
- 第一步根据主成分进行 OLS 估计以获得模型参数，第二步通过卡尔曼平滑器估计因子，并分析大横截面维度下的性质。
- 材料陈述的贡献
- 摘要称论文证明两步因子估计的一致性，为已有研究及多篇即时预测应用采用的这一框架提供理论依据。
- 阅读关注点
- 应核对横截面与时间维度的渐近安排、近似因子模型允许的误差相关，以及估计参数进入平滑步骤后的误差处理。
- 阅读边界
- 仅依据所给出版社摘要；一致性的具体条件与收敛结论未完整说明，也未提供即时预测准确性的直接比较结果。
原文摘要
This paper shows consistency of a two-step estimation of the factors in a dynamic approximate factor model when the panel of time series is large (n large). In the first step, the parameters of the model are estimated from an OLS on principal components. In the second step, the factors are estimated via the Kalman smoother. The analysis develops the theory for the estimator considered in Giannone et al. (2004) and Giannone et al. (2008) and for the many empirical papers using this framework for nowcasting.