A Distributed Lag Approach to the Generalised Dynamic Factor Model

Resumen Técnico: Un Enfoque de Retardo Distribuido para el Modelo de Factores Dinámicos Generalizado

Planteamiento del Problema
El Modelo de Factores Dinámicos Generalizado (GDFM), introducido por Forni et al. (2000) y la literatura posterior, proporciona un marco para descomponer series temporales de alta dimensión en un componente común dinámico impulsado por un pequeño número de choques estructurales y un componente idiosincrásico dinámico. Un desafío principal en la estimación del GDFM es la dependencia de métodos en el dominio de la frecuencia (estimación de la densidad espectral) para lograr representaciones unilaterales adecuadas para la previsión. Además, las herramientas de estimación existentes a menudo luchan por estimar consistentemente factores "débiles" (no pervasivos) —factores asociados con autovalores no divergentes en la matriz de varianzas— que, sin embargo, pueden desempeñar un papel crucial en el espacio común dinámico. Mientras que los modelos de factores estáticos (Chamberlain y Rothschild, 1983; Stock y Watson, 2002) manejan bien los factores pervasivos, no logran capturar la dinámica más rica del GDFM, particularmente cuando el componente común dinámico incorpora retroalimentación de valores rezagados de factores estáticos.

Metodología
El artículo propone un nuevo estimador que evita por completo los métodos en el dominio de la frecuencia, operando en su lugar dentro del dominio del tiempo. La idea teórica central es que, bajo condiciones razonables, el componente común dinámico ($\chi_{it}$) del GDFM puede representarse como un retardo distribuido finito (FDL) de factores estáticamente pervasivos ($F_t$).

El modelo propuesto asume que el proceso observado $y_{it}$ sigue:
$$y_{it} = \beta_{i0}F_t + \beta_{i1}F_{t-1} + \dots + \beta_{ip}F_{t-p} + \xi_{it}$$
donde $F_t$ se estiman mediante Análisis de Componentes Principales (PCA) estático sobre los datos contemporáneos, y $\xi_{it}$ es un componente idiosincrásico dinámicamente ortogonal a los factores en todos los adelantos y rezagos.

La metodología se basa en una descomposición canónica (Ecuación 5) que engloba el componente común estático ($C_{it}$) y un componente común débil ($\tilde{\chi}_{it}$). El componente débil se identifica como el componente idiosincrásico estático del espacio común dinámico. Crucialmente, el artículo demuestra que los factores débiles en este contexto surgen de la influencia de los rezagos de factores fuertes. Al proyectar los factores rezagados sobre los factores actuales, el modelo separa las cargas pervasivas estáticas de las cargas débiles asociadas con los rezagos.

El procedimiento de estimación implica:

1. Estimar los factores estáticos ($\hat{F}_t$) utilizando componentes principales normalizados de la matriz de covarianza muestral.
2. Estimar el orden de rezago $p$ utilizando criterios BIC modificados.
3. Regresar las variables observadas sobre los factores estimados y sus rezagos para obtener los coeficientes.
4. Derivar el componente común dinámico ($\hat{\chi}_{it}$) y el componente común débil ($\hat{\tilde{\chi}}_{it} = \hat{\chi}_{it} - \hat{C}_{it}$).

Contribuciones Clave y Resultados Teóricos
El artículo establece las siguientes contribuciones teóricas:

• Consistencia y Normalidad Asintótica: Los autores demuestran que el estimador propuesto es consistente y asintóticamente normal tanto para el componente común dinámico como para el componente común débil. Esto se mantiene incluso cuando están presentes factores débiles, abordando una limitación conocida de los estimadores basados en PCA estándar (Onatski, 2012) que son inconsistentes para factores débiles en modelos estáticos.
• Marco en el Dominio del Tiempo: El artículo proporciona la primera teoría asintótica para el GDFM que evita por completo los métodos en el dominio de la frecuencia y la estimación del número de factores dinámicos ($q$).
• Manejo de Heterocedasticidad: El marco acomoda la heterocedasticidad variante en el tiempo en el componente idiosincrásico, extendiendo el alcance de la teoría existente de estimación del GDFM.
• Identificación de Factores Débiles: El artículo aclara que los factores débiles en el espacio común dinámico pueden estimarse consistentemente si son impulsados por choques comunes y representan la influencia de factores fuertes rezagados. Esto resuelve el problema de inconsistencia al tratar los factores débiles como parte de la estructura dinámica en lugar de una señal estática.
• Intervalos de Confianza: Se derivan intervalos de confianza asintóticos explícitos para los componentes comunes dinámicos, estáticos y débiles, utilizando estimadores HAC (Consistentes con Heterocedasticidad y Autocorrelación) para la varianza.

Resultados Empíricos
La metodología se aplica a tres grandes conjuntos de datos macroeconómicos de la Zona Euro (frecuencias mensuales y trimestrales).

• Simulación: Los experimentos de Monte Carlo demuestran que el enfoque de Retardo Distribuido Finito (FDL) produce un Error Cuadrático Medio (MSE) más bajo en comparación con el PCA estático (que es inconsistente para el componente dinámico) y el PCA dinámico. El enfoque FDL recupera con éxito el componente dinámico incluso cuando están presentes factores débiles.
• Datos de la Zona Euro:
  • En datos mensuales, el componente común débil (WCC) explica una parte significativa de la varianza (3.6% en promedio, hasta 25.5% para el Indicador de Sentimiento Económico). El WCC permite que el componente dinámico rastree las series observadas más de cerca durante períodos de crisis (por ejemplo, COVID-19) en comparación con el componente estático.
  • En datos trimestrales, aunque la participación del WCC es menor (0.3%), aún captura dinámicas que compensan la reversión a la media del componente estático en variables como las Horas Totales Trabajadas.
  • Para los datos alemanes, el WCC representa el 40% de la variación en la Cuota de Inversión Bruta de las Sociedades No Financieras (GNFCIR), un indicador adelantado clave, mientras que el componente estático representa solo el 30%.

Significado
El artículo reclama importancia al proporcionar una alternativa computacionalmente más simple y teóricamente robusta a los métodos de estimación espectral para el GDFM. Al demostrar que el componente común dinámico puede aproximarse mediante un retardo distribuido finito de factores estáticos, los autores ofrecen una herramienta práctica para la previsión y el análisis estructural. La capacidad de estimar consistentemente y construir intervalos de confianza para componentes comunes débiles se destaca como un avance mayor, revelando dinámicas en indicadores de sentimiento e inversión que los métodos estáticos estándar pasan por alto. El enfoque cierra la brecha entre los modelos de factores estáticos y la generalidad completa de los modelos de factores dinámicos sin requerir una inversión compleja en el dominio de la frecuencia.