MAXIMUM LIKELIHOOD ESTIMATION OF FACTOR MODELS ON DATASETS WITH ARBITRARY PATTERN OF MISSING DATA
任意缺失模式数据下因子模型的最大似然估计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：摘要明确研究动态因子模型，并用于混合频率经济指标下的 GDP 即时预测。
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…
关注这篇论文的作者
任意缺失模式数据下因子模型的最大似然估计
- 研究问题
- 面对发布日期、观测频率和样本长度不同的经济指标，如何估计动态因子模型，并将不完整数据有效用于 GDP 即时预测？
- 方法与思路
- 作者修改 EM 算法以处理任意缺失模式，扩展动态因子模型以允许特异成分序列相关，并开展模拟与欧元区 GDP 即时预测应用。
- 材料陈述的贡献
- 摘要称框架可高效、自动处理发布延迟、混合频率和样本长度差异，并提供 Monte Carlo 评价及欧元区 GDP 即时预测应用。
- 阅读关注点
- 核对缺失观测如何进入似然与 EM 更新、特异成分的动态设定，并检查算法收敛、实时信息集和即时预测评价设计。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定缺失机制要求、收敛保证和预测改进幅度；任意缺失模式并不直接说明任意缺失机制都可处理。
原文摘要
SUMMARY In this paper we modify the expectation maximization algorithm in order to estimate the parameters of the dynamic factor model on a dataset with an arbitrary pattern of missing data. We also extend the model to the case with a serially correlated idiosyncratic component. The framework allows us to handle efficiently and in an automatic manner sets of indicators characterized by different publication delays, frequencies and sample lengths. This can be relevant, for example, for young economies for which many indicators have been compiled only recently. We evaluate the methodology in a Monte Carlo experiment and we apply it to nowcasting of the euro area gross domestic product. Copyright © 2012 John Wiley & Sons, Ltd.