Likelihood‐based dynamic factor analysis for measurement and forecasting
用于测度与预测的似然动态因子分析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：摘要明确研究动态因子模型和预测，并以大型宏观时间序列面板进行应用。
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
用于测度与预测的似然动态因子分析
- 研究问题
- 当特异扰动具有自回归结构且创新彼此相关时，如何高效开展动态因子模型的似然估计、信号提取与预测？
- 方法与思路
- 作者以线性动态随机过程描述潜在因子，以创新相互相关的自回归过程描述特异扰动，并推导因子和参数的估计程序。
- 材料陈述的贡献
- 摘要称，新结果带来计算高效的因子估计和极大似然参数估计，并讨论回归、贝叶斯分析、信号提取及预测应用。
- 阅读关注点
- 应核对因子识别与归一化、特异创新协方差限制、计算效率来源，以及宏观面板应用中的预测评价设计。
- 阅读边界
- 摘要未说明具体算法复杂度、模型维数限制或预测误差结果；计算高效的陈述不能直接解释为预测精度更高。
原文摘要
We present new results for the likelihood‐based analysis of the dynamic factor model. The latent factors are modelled by linear dynamic stochastic processes. The idiosyncratic disturbance series are specified as autoregressive processes with mutually correlated innovations. The new results lead to computationally efficient procedures for the estimation of the factors and for the parameter estimation by maximum likelihood methods. We also present the implications of our results for models with regression effects, for Bayesian analysis, for signal extraction, and for forecasting. An empirical illustration is provided for the analysis of a large panel of macroeconomic time series.