The empirical distribution of sequential LS factors in Multi-level Dynamic Factor Models

Titolo

La distribuzione empirica dei fattori LS sequenziali nei Modelli a Fattori Dinamici Multi-livello

1. Il Problema di Ricerca

Il lavoro affronta una lacuna significativa nella letteratura econometrica riguardante i Modelli a Fattori Dinamici Multi-livello (ML-DFM). In molte applicazioni empiriche (macroeconomia e finanza), i fattori latenti presentano una struttura gerarchica: esistono fattori globali che influenzano tutte le variabili del sistema e fattori specifici di gruppo che influenzano solo sottoinsiemi di variabili.

Il metodo di stima più diffuso per questi modelli è il Minimo Quadrato Sequenziale (SLS - Sequential Least Squares), proposto da Breitung e Eickmeier (2016), apprezzato per la sua semplicità computazionale. Tuttavia, nonostante l'uso estensivo, la inferenza formale sugli stimatori SLS rimane sottosviluppata. In particolare:

• Non esistono espressioni esplicite per la distribuzione asintotica dei fattori stimati con SLS.
• Senza tale distribuzione, è impossibile quantificare l'incertezza (es. costruire intervalli di confidenza o regioni di fiducia) per analisi di scenario e stress testing.
• La domanda centrale è: La distribuzione asintotica derivata da Bai (2003) per i fattori ottenuti con le Componenti Principali (PC) in un DFM standard (senza struttura gerarchica) può approssimare accuratamente la distribuzione empirica a campione finito dei fattori SLS in un ML-DFM?

2. Metodologia

Gli autori utilizzano un approccio basato su simulazioni Monte Carlo per rispondere alla domanda di ricerca e valutare le prestazioni degli stimatori dell'errore quadratico medio (MSE).

• Setup Simulativo:
  • Vengono generati dati da un ML-DFM con due gruppi ($S=2$), un fattore globale e un fattore specifico per gruppo.
  • Vengono testate diverse dimensioni temporali ($T \in \{50, 100, 500\}$) e trasversali ($N$ variabile).
  • Vengono considerati diversi scenari per i componenti idiosincratici: omoschedasticità/eteroschedasticità e presenza/assenza di correlazione incrociata (cross-sectional correlation).
• Procedure di Stima:
  • SLS: I fattori vengono estratti sequenzialmente (inizializzazione con CCA o PC, aggiornamento dei carichi, aggiornamento dei fattori) fino alla convergenza.
  • Confronto con PC: Vengono simulati anche modelli DFM standard (senza restrizioni a zero) stimati con PC per verificare la coerenza teorica.
• Valutazione della Distribuzione:
  • Si confronta la distribuzione empirica dei fattori stimati (su 1000 repliche) con la distribuzione asintotica normale prevista da Bai (2003).
  • Si analizza la decomposizione dell'MSE empirico in varianza e bias.
• Stimatori dell'MSE Asintotico:
  Gli autori confrontano diverse stime della matrice di covarianza asintotica:
  1. HR (Heteroscedasticity Robust): Di Bai e Ng (2006), assume assenza di correlazione incrociata idiosincratica.
  2. FPR (Fresoli, Poncela, Ruiz - 2025): Permette la correlazione incrociata idiosincratica.
  3. Correzione per Subsampling: Applicazione della correzione proposta da Maldonado e Ruiz (2021) per incorporare l'incertezza derivante dalla stima dei carichi (factor loadings) in campioni finiti.

3. Contributi Chiave

1. Validazione della Distribuzione Asintotica: Forniscono la prima evidenza empirica che la distribuzione asintotica di Bai (2003), derivata per i fattori PC, è una ottima approssimazione per la distribuzione a campione finito dei fattori SLS in ML-DFM, anche in presenza di strutture complesse e restrizioni a zero sui carichi.
2. Superiorità dello Stimatori FPR: Dimostrano che lo stimatore dell'MSE proposto da Fresoli, Poncela e Ruiz (2025), che tiene conto della correlazione incrociata idiosincratica, supera lo stimatore HR standard quando tale correlazione è presente, senza perdere efficienza quando è assente.
3. Importanza della Correzione per Subsampling: Evidenziano che ignorare l'incertezza nella stima dei carichi porta a sottostimare la dispersione dei fattori in campioni piccoli/medi. L'applicazione della correzione per subsampling è cruciale affinché la distribuzione asintotica sia un'approssimazione valida della distribuzione empirica.
4. Analisi del Bias: Identificano che in campioni piccoli, specialmente quando i carichi dei fattori specifici di gruppo sono deboli, si osservano bias significativi che influenzano la qualità dell'approssimazione asintotica.

4. Risultati Principali

• Approssimazione della Distribuzione: Le simulazioni confermano che la distribuzione empirica dei fattori SLS (globali e specifici) è ben approssimata dalla distribuzione normale asintotica di Bai (2003). Le densità empiriche coincidono strettamente con le densità asintotiche calcolate, anche per dimensioni moderate di $N$ e $T$.
• Prestazioni degli Stimatori MSE:
  • In assenza di correlazione incrociata idiosincratica, gli stimatori HR e FPR sono simili.
  • In presenza di correlazione incrociata, lo stimatore HR fallisce (sottostima la varianza e produce intervalli di confidenza non validi), mentre lo stimatore FPR rimane accurato.
  • La correzione per subsampling riduce sistematicamente i bias negativi nella stima della dispersione, rendendo gli intervalli di confidenza più affidabili, specialmente quando $T$ non è molto grande.
• Effetto dell'Eteroschedasticità e della Correlazione: L'eteroschedasticità e la correlazione incrociata aumentano l'MSE empirico e i bias, richiedendo campioni più grandi per una convergenza affidabile. Tuttavia, l'uso combinato dello stimatore FPR e della correzione per subsampling mitiga efficacemente questi problemi.
• Ruolo dei Carichi: I bias sono più pronunciati per i fattori specifici di gruppo quando i loro carichi sono piccoli rispetto ai fattori globali.

5. Significato e Implicazioni

Questo studio ha un impatto significativo per la pratica econometrica e l'analisi macrofinanziaria:

• Inferenza Formale: Permette ai ricercatori di costruire intervalli di confidenza validi e regioni di fiducia per i fattori stimati con SLS, un requisito essenziale per applicazioni come lo stress testing bancario e l'analisi di scenari economici.
• Robustezza Operativa: Fornisce una guida pratica su come stimare l'incertezza: l'uso dello stimatore FPR combinato con la correzione per subsampling è raccomandato come procedura standard, indipendentemente dal fatto che la correlazione incrociata sia nota o meno, garantendo robustezza in tutti gli scenari.
• Validazione Teorica: Conferma che la complessità computazionale dell'SLS non compromette le proprietà asintotiche di inferenza, rendendo il metodo SLS non solo computazionalmente efficiente ma anche statisticamente solido per l'inferenza.

In sintesi, il lavoro colma un divario teorico fondamentale, trasformando l'SLS da un metodo puramente descrittivo a uno strumento per l'inferenza statistica rigorosa nei modelli a fattori gerarchici.