A Distributed Lag Approach to the Generalised Dynamic Factor Model

Technische Samenvatting: Een Distributed Lag-benadering voor het Geraadpleegde Dynamische Factormodel

Probleemstelling
Het Geraadpleegde Dynamische Factormodel (GDFM), geïntroduceerd door Forni et al. (2000) en de daaropvolgende literatuur, biedt een kader voor het ontbinden van hoog-dimensionale tijdreeksen in een dynamisch gemeenschappelijk component dat wordt gedreven door een klein aantal structurele schokken en een dynamisch idiosyncratisch component. Een primaire uitdaging bij het schatten van het GDFM is de afhankelijkheid van frequentiedomein-methoden (schatting van spectrale dichtheid) om eenzijdige representaties te bereiken die geschikt zijn voor forecasting. Bovendien worstelen bestaande schattingsinstrumenten vaak met het consistent schatten van "zwakke" (niet-pervasieve) factoren—factoren geassocieerd met niet-divergente eigenwaarden in de variantiematrix—die desondanks een cruciale rol kunnen spelen in de dynamische gemeenschappelijke ruimte. Waar statische factormodellen (Chamberlain en Rothschild, 1983; Stock en Watson, 2002) goed omgaan met pervasieve factoren, slagen ze er niet in de rijkere dynamiek van het GDFM te vangen, met name wanneer het dynamisch gemeenschappelijk component feedback omvat van vertraagde waarden van statische factoren.

Methodologie
Het artikel stelt een nieuwe schatter voor die volledig afziet van frequentiedomein-methoden en in plaats daarvan binnen het tijd-domein opereert. De kern theoretische inzichten is dat onder redelijke voorwaarden het dynamisch gemeenschappelijk component ($\chi_{it}$) van het GDFM kan worden weergegeven als een finite distributed lag (FDL) van statisch pervasieve factoren ($F_t$).

Het voorgestelde model neemt aan dat het geobserveerde proces $y_{it}$ volgt:
$$y_{it} = \beta_{i0}F_t + \beta_{i1}F_{t-1} + \dots + \beta_{ip}F_{t-p} + \xi_{it}$$
waarbij $F_t$ worden geschat via statische Principal Component Analysis (PCA) op de simultane data, en $\xi_{it}$ een dynamisch idiosyncratisch component is dat orthogonaal is aan de factoren op alle leads en lags.

De methodologie steunt op een canonieke decompositie (Vergelijking 5) die het statisch gemeenschappelijk component ($C_{it}$) en een zwak gemeenschappelijk component ($\tilde{\chi}_{it}$) omvat. Het zwakke component wordt geïdentificeerd als het statisch idiosyncratische component van de dynamische gemeenschappelijke ruimte. Cruciaal is dat het artikel aantoont dat zwakke factoren in deze context voortkomen uit de invloed van lags van sterke factoren. Door de vertraagde factoren te projecteren op de huidige factoren, scheidt het model de statische pervasieve ladingen van de zwakke ladingen geassocieerd met de lags.

De schattingsprocedure omvat:

1. Schatten van statische factoren ($\hat{F}_t$) met behulp van genormaliseerde hoofdcomponenten van de steekproefcovariantiematrix.
2. Schatten van de lag-orde $p$ met behulp van gewijzigde BIC-criteria.
3. Regressie van geobserveerde variabelen op de geschatte factoren en hun lags om coëfficiënten te verkrijgen.
4. Afleiden van het dynamisch gemeenschappelijk component ($\hat{\chi}_{it}$) en het zwak gemeenschappelijk component ($\hat{\tilde{\chi}}_{it} = \hat{\chi}_{it} - \hat{C}_{it}$).

Belangrijkste Bijdragen en Theoretische Resultaten
Het artikel vestigt de volgende theoretische bijdragen:

• Consistentie en Asymptotische Normaliteit: De auteurs bewijzen dat de voorgestelde schatter consistent en asymptotisch normaal is voor zowel het dynamisch gemeenschappelijk component als het zwak gemeenschappelijk component. Dit geldt zelfs wanneer zwakke factoren aanwezig zijn, waarmee een bekende beperking van standaard PCA-gebaseerde schatters (Onatski, 2012) wordt aangepakt, die inconsistent zijn voor zwakke factoren in statische modellen.
• Tijd-domein Kader: Het artikel biedt de eerste asymptotische theorie voor het GDFM die volledig afziet van frequentiedomein-methoden en de schatting van het aantal dynamische factoren ($q$).
• Omgaan met Heteroskedasticiteit: Het kader accommodatie tijd-variërende heteroskedasticiteit in het idiosyncratische component, waardoor het toepassingsgebied van bestaande GDFM-schattingstheorie wordt uitgebreid.
• Identificatie van Zwakke Factoren: Het artikel verduidelijkt dat zwakke factoren in de dynamische gemeenschappelijke ruimte consistent kunnen worden geschat als ze worden gedreven door gemeenschappelijke schokken en de invloed van vertraagde sterke factoren vertegenwoordigen. Dit lost het inconsistentie-probleem op door de zwakke factoren te behandelen als onderdeel van de dynamische structuur in plaats van een statisch signaal.
• Betrouwbaarheidsintervallen: Er worden expliciete asymptotische betrouwbaarheidsintervallen afgeleid voor de dynamische, statische en zwakke gemeenschappelijke componenten, met gebruikmaking van HAC (Heteroskedasticity and Autocorrelation Consistent) schatters voor variantie.

Empirische Resultaten
De methodologie wordt toegepast op drie grote macro-economische datasets voor het Eurogebied (maandelijkse en kwartaalfrequentie).

• Simulatie: Monte Carlo-experimenten tonen aan dat de Finite Distributed Lag (FDL)-benadering een lagere Mean Squared Error (MSE) oplevert in vergelijking met statische PCA (die inconsistent is voor het dynamisch component) en dynamische PCA. De FDL-benadering slaagt erin het dynamisch component te herstellen, zelfs wanneer zwakke factoren aanwezig zijn.
• Eurogebied Data:
  • In maandelijkse data verklaart het zwakke gemeenschappelijke component (WCC) een aanzienlijk deel van de variantie (gemiddeld 3,6%, tot 25,5% voor de Indicator voor Economisch Vertrouwen). De WCC stelt het dynamisch component in staat om geobserveerde reeksen tijdens crisisperiodes (bijv. COVID-19) nauwkeuriger te volgen in vergelijking met het statisch component.
  • In kwartaaldata is het WCC-aandeel kleiner (0,3%), maar het vangt nog steeds dynamiek die de mean reversion van het statisch component compenseert in variabelen zoals het Totaal Aantal Gewerkte Uren.
  • Voor Duitse data is de WCC verantwoordelijk voor 40% van de variatie in het Bruto Investeringsaandeel van Niet-Financiële Vennootschappen (GNFCIR), een belangrijke leidende indicator, terwijl het statisch component slechts 30% verklaart.

Betekenis
Het artikel claimt betekenis door een computatievriendelijker en theoretisch robuust alternatief te bieden voor spectrale schattingsmethoden voor het GDFM. Door aan te tonen dat het dynamisch gemeenschappelijk component kan worden benaderd door een finite distributed lag van statische factoren, bieden de auteurs een praktisch instrument voor forecasting en structurele analyse. Het vermogen om zwakke gemeenschappelijke componenten consistent te schatten en betrouwbaarheidsintervallen te construeren, wordt geïdentificeerd als een belangrijke vooruitgang, die dynamiek in sentiment- en investeringsindicatoren blootlegt die door standaard statische methoden worden over het hoofd gezien. De benadering overbrugt de kloof tussen statische factormodellen en de volledige generaliteit van dynamische factormodellen zonder complexe frequentiedomein-inversie te vereisen.