Forecasting With Nonspurious Factors in U.S. Macroeconomic Time Series
利用非伪因子预测美国宏观经济时间序列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：摘要同时讨论宏观序列的因子载荷结构变化、非伪因子估计和样本外预测，直接对应所选的三个宏观方向。
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
利用非伪因子预测美国宏观经济时间序列
- 研究问题
- 因子载荷的结构变化是否会生成与原有因子无关的伪因子，导致因子扩展预测模型过拟合，如何恢复适合宏观预测的因子？
- 方法与思路
- 作者识别因子载荷未发生结构变化的变量集合，再据此估计非伪因子；理论允许该集合混入少量载荷不稳定变量，并分析其影响。
- 材料陈述的贡献
- 摘要称，该方法可一致识别和估计原有因子；在 132 条美国宏观序列中，非伪因子少于传统主成分因子，样本外预测表现显著改善。
- 阅读关注点
- 应核对载荷变化的识别规则、不稳定变量占比限制、因子数选择和一致性条件，并检查样本外预测窗口、基准模型与显著性判断。
- 阅读边界
- 摘要未给出变量筛选阈值、结构变化模式、预测目标及误差指标；预测改善属于作者报告的特定应用结果，不能外推为一般优势。
原文摘要
This study examines the practical implications of the fact that structural changes in factor loadings can produce spurious factors (or irrelevant factors) in forecasting exercises. These spurious factors can induce an overfitting problem in factor-augmented forecasting models. To address this concern, we propose a method to estimate nonspurious factors by identifying the set of response variables that have no structural changes in their factor loadings. Our theoretical results show that the obtained set may include a fraction of unstable response variables. However, the fraction is so small that the original factors are able to be identified and estimated consistently. Moreover, using this approach, we find that a significant portion of 132 U.S. macroeconomic time series have structural changes in their factor loadings. Although traditional principal components provide eight or more factors, there are significantly fewer nonspurious factors. The forecasts using the nonspurious factors can significantly improve out-of-sample performance.