📊 statistics

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

Dit artikel bevestigt via Monte Carlo-simulaties dat de asymptotische verdeling van Bai (2003) voor hoofdgcomponenten-factoren de empirische verdeling van sequentiële kleinste-kwadraten-schattingen in multi-level dynamische factormodellen goed benadert, en identificeert de meest geschikte schatter voor de asymptotische gemiddelde kwadratische fout.

Oorspronkelijke auteurs: Gian Pietro Bellocca, Ignacio Garrón, Vladimir Rodríguez-Caballero, Esther Ruiz

Gepubliceerd 2026-02-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Gian Pietro Bellocca, Ignacio Garrón, Vladimir Rodríguez-Caballero, Esther Ruiz

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een gigantische orkestrepetitie bijwoont met honderden muzikanten. Je wilt weten wat de echte "muziek" is die ze spelen, maar er is een probleem: elke muzikant maakt ook zijn eigen kleine foutjes (een valse noot, een hoestje, een ruisend instrument).

In de econometrie (de wiskunde van de economie) noemen we deze grote groep muzikanten een panel. De echte muziek die door het hele orkest klinkt, noemen we factoren. Soms is er één grote melodie die iedereen speelt (een globale factor, zoals een wereldwijde economische crisis), en soms spelen alleen de blaaskwartetten een extra stukje (een groepsspecifieke factor, zoals een sector-specifieke schok).

Dit artikel, geschreven door Gian Pietro Bellocca en collega's, lost een groot raadsel op over hoe we deze muziek het beste kunnen "luisteren" en analyseren. Hier is de uitleg in simpele taal:

1. Het Probleem: De "Volgorde" van Luisteren

Vroeger dachten economen dat je om de muziek te horen, eerst alle muzikanten tegelijk moest analyseren (een methode genaamd Hoofdcomponenten of PC). Maar in een complex orkest met verschillende secties werkt dat niet goed. Je ziet dan niet duidelijk welke muziek bij welke sectie hoort.

Daarom gebruiken ze nu een slimme truc genaamd Sequential Least Squares (SLS).

De Analogie: Stel je voor dat je eerst luistert naar de hele groep om de grote, wereldwijde melodie te vinden. Zodra je die hebt, haal je die uit het geluid weg. Wat overblijft, is het geluid van de specifieke secties. Dan luister je naar die secties om hun eigen muziek te vinden.
Dit werkt heel goed in de praktijk en is makkelijk te berekenen, maar er was een groot probleem: Niemand wist hoe je de "onzekerheid" van deze methode kon berekenen.

2. De Vraag: Is de oude theorie nog waar?

De auteurs stellen zich de vraag: "Als we deze nieuwe 'volgorde-methode' (SLS) gebruiken, kunnen we dan nog steeds de oude wiskundige regels gebruiken die zijn bedacht voor de 'tegelijkertijd-methode' (PC)?"

De oude regels (van een wiskundige genaamd Bai in 2003) zeggen: "Als je genoeg muzikanten hebt, is de verdeling van je foutjes normaal en voorspelbaar."
De auteurs wilden weten: Geldt die voorspelling ook voor de nieuwe volgorde-methode?

3. Het Experiment: De Simulatie

Om dit te testen, hebben ze een enorme computersimulatie gedaan (een Monte Carlo experiment).

Ze hebben een virtueel orkest gecreëerd met duizenden muzikanten.
Ze hebben de muziek (factoren) en de ruis (foutjes) gegenereerd met verschillende eigenschappen: soms was de ruis gelijkmatig, soms ongelijk, en soms maakten muzikanten in dezelfde sectie dezelfde fouten (correlatie).
Vervolgens lieten ze de computer de muziek "luisteren" met de nieuwe SLS-methode en vergeleken ze het resultaat met de oude wiskundige voorspelling.

4. De Resultaten: Het Nieuws

De resultaten zijn verrassend goed nieuws voor economen:

De oude theorie werkt! Zelfs met de nieuwe "volgorde-methode" (SLS), gedraagt de onzekerheid zich precies zoals de oude theorie voorspelde. Je kunt dus die oude, bewezen wiskundige formules gebruiken om te zeggen: "We zijn 95% zeker dat deze economische factor tussen X en Y ligt."
De "Ruis" is belangrijk. De auteurs keken ook naar hoe je de grootte van de fouten (de MSE of Mean Squared Error) berekent.
- Er is een simpele methode die aanneemt dat elke muzikant een eigen, onafhankelijk foutje maakt.
- Er is een complexere methode (de FPR-methode) die erkent dat muzikanten in dezelfde sectie soms dezelfde fouten maken (bijvoorbeeld als de luidsprekers in die sectie ruisen).
- Conclusie: Als er geen correlatie is, maakt het niet uit welke je kiest. Maar als er wel correlatie is (wat in de echte wereld vaak gebeurt), is de complexe FPR-methode veel beter. De simpele methode geeft dan een vals veilig gevoel.
De "Subsampling" correctie. Er is nog een extra trucje (een correctie voor kleine steekproeven) die essentieel is. Zonder deze correctie is je voorspelling te optimistisch. Het is alsof je een schatting maakt op basis van 5 muzikanten, maar doet alsof je 500 hebt. Die correctie zorgt dat je eerlijk bent over hoe zeker je bent.

5. Waarom is dit belangrijk?

Stel je voor dat een regering een stress-test doet voor de banken. Ze willen weten: "Wat gebeurt er met de economie als de olieprijs plotseling verdubbelt?"
Om dit te doen, gebruiken ze deze factoren. Als ze de onzekerheid verkeerd berekenen (bijvoorbeeld te optimistisch), kunnen ze een ramp over het hoofd zien.

Dit artikel zegt: "Gebruik de nieuwe SLS-methode, want die is handig. Gebruik daarna de oude wiskundige regels om je foutmarges te berekenen, maar zorg dat je de juiste 'ruis-methode' (FPR) en de 'eerlijkheids-correctie' (subsampling) gebruikt."

Kort samengevat:
De auteurs hebben bewezen dat je een slimme, stap-voor-stap methode kunt gebruiken om complexe economische data te analyseren, en dat je daarvoor veilig de oude, bekende wiskundige regels kunt gebruiken – zolang je maar goed kijkt naar hoe de "ruis" in de data zich gedraagt. Het is een brug tussen een handige nieuwe techniek en een betrouwbare oude theorie.

Titel: De empirische verdeling van sequentiële Kleinste-Kwadratenfactoren in Multi-level Dynamische Factormodellen

1. Probleemstelling

Dynamische Factormodellen (DFM's) zijn een standaardinstrument in de macro-econometrie en financiën om grote panelen met cross-segmentele afhankelijkheid te modelleren. In veel empirische toepassingen vertonen latente factoren echter een hiërarchische structuur: er zijn globale factoren die op alle variabelen in het systeem laden, en groepsspecifieke factoren die alleen op subsets van variabelen (groepen) laden. Dit wordt gemodelleerd als een Multi-level Dynamisch Factormodel (ML-DFM).

Een populaire methode om ML-DFM's te schatten is de Sequentiële Kleinste-Kwadraten (SLS) schatter (Breitung en Eickmeier, 2016), vanwege de rekenkundige eenvoud en empirische prestaties. Echter, er bestaat tot nu toe geen formele inferentie voor SLS-schattingen. Specifiek ontbreken er expliciete uitdrukkingen voor de asymptotische verdeling van SLS-schattingen. Dit maakt het moeilijk om onzekerheid te kwantificeren (bijvoorbeeld voor stress-testen of scenario-analyses).

De centrale onderzoeksvraag is: Kan de asymptotische verdeling die Bai (2003) afleidde voor Principal Components (PC)-factoren in een standaard DFM (zonder hiërarchische structuur), dienen als een goede benadering voor de empirische verdeling van SLS-factoren in een ML-DFM?

2. Methodologie

De auteurs hanteren een uitgebreide Monte Carlo-simulatiestudie om deze vraag te beantwoorden.

Modelopzet: Ze simuleren data uit een ML-DFM met twee blokken (groepen), één globale factor en één groepsspecifieke factor per blok. De tijdsdimensie ( $T$ ) en de cross-segmentele dimensie ( $N$ ) variëren (bijv. $T \in \{50, 100, 500\}$ , $N \in \{25, 75, 300\}$ ).
Schatters:
- SLS: Factoren worden sequentieel geschat via een iteratief algoritme dat begint met Canonical Correlation Analysis (CCA) voor de globale factoren, gevolgd door Kleinste-Kwadraten (LS) voor ladings- en factorenupdates.
- PC: Ter vergelijking worden factoren geschat met de traditionele PC-methode in een standaard DFM.
Idiosyncratische Componenten: De simulaties testen verschillende structuren voor de idiosyncratische fouten:
1. Heteroscedasticiteit en cross-segmentele onafhankelijkheid.
2. Heteroscedasticiteit en cross-segmentele correlatie (via een Toeplitz-structuur).
Verdelingsanalyse: De auteurs vergelijken de empirische verdeling van de geschatte factoren (gebaseerd op 1000 replications) met de asymptotische verdeling voorspeld door Bai (2003).
Foutenvariatie (MSE) Schatters: Ze evalueren de prestaties van verschillende schatters voor de asymptotische Mean Squared Error (MSE):
- HR (Heteroscedasticity-Robust): Bai en Ng (2006), gebaseerd op de aanname van geen cross-segmentele correlatie.
- FPR (Fresoli, Poncela, Ruiz, 2025): Staat toe voor cross-segmentele correlatie in de idiosyncratische componenten.
- Subsampling-correctie: Maldonado en Ruiz (2021) worden toegepast om de onzekerheid in de schatting van de factorenladingen (loadings) in eindige steekproeven te corrigeren.

3. Belangrijkste Resultaten

A. Validiteit van de Asymptotische Verdeling
De Monte Carlo-resultaten bevestigen dat de asymptotische verdeling van Bai (2003), die oorspronkelijk voor PC-factoren in een standaard DFM is afgeleid, een uitstekende benadering is voor de eindige-steekproefverdeling van SLS-factoren in ML-DFM's.

Dit geldt zowel voor globale als groepsspecifieke factoren.
De benadering is robuust onder verschillende vormen van idiosyncratische covariantiematrices (inclusief heteroscedasticiteit en cross-segmentele correlatie).
De verdelingen van de geschatte factoren (histogrammen) komen zeer goed overeen met de theoretische asymptotische dichtheidsfuncties, zelfs bij redelijk kleine steekproeven.

B. Prestaties van MSE-schatters
De keuze van de schatter voor de asymptotische MSE is cruciaal voor de nauwkeurigheid van betrouwbaarheidsintervallen:

Zonder cross-segmentele correlatie: De HR-schatter en de FPR-schatter presteren vergelijkbaar.
Met cross-segmentele correlatie: De HR-schatter (die correlatie negeert) is inconsistent en leidt tot onder- of overschatting van de onzekerheid. De FPR-schatter (die correlatie toestaat) levert de meest nauwkeurige schattingen van de asymptotische MSE.
Subsampling-correctie: Het toepassen van de subsampling-correctie is essentieel, vooral bij kleinere steekproeven. Deze correctie compenseert voor de onzekerheid die ontstaat door het schatten van de factorenladingen. Zonder deze correctie worden de asymptotische verdelingen vaak te optimistisch (te smalle betrouwbaarheidsintervallen).

C. Bias in Grootte van Factoren
Bij kleine steekproeven en zwakke ladingen (vooral bij groepsspecifieke factoren) kunnen aanzienlijke biases optreden. De asymptotische MSE benadert dan beter de empirische covariantiematrix dan de empirische MSE zelf, wat aangeeft dat de bias een significant onderdeel van de totale fout is. Echter, naarmate $N$ en $T$ toenemen, nemen deze biases af.

4. Bijdragen en Significantie

Formele Inferentie voor SLS: Dit artikel is de eerste die via simulatie aantoont dat de asymptotische verdeling van Bai (2003) geldig is voor SLS-schattingen in ML-DFM's. Dit opent de deur voor het construeren van geldige betrouwbaarheidsintervallen en hypothesetoetsen voor SLS-factoren, wat eerder niet mogelijk was.
Praktische Richtlijnen voor Onzekerheidskwantificering: De auteurs tonen aan dat voor correcte inferentie twee dingen nodig zijn:
1. Het gebruik van een MSE-schatter die cross-segmentele correlatie toelaat (FPR) als deze aanwezig is.
2. Het toepassen van subsampling-correcties om de onzekerheid van de ladingen mee te nemen.
Robuustheid: De bevindingen zijn robuust onder realistische empirische omstandigheden, waaronder heteroscedasticiteit en complexe afhankelijkheidsstructuren in de fouten.
Toepassingsgebied: De resultaten zijn direct relevant voor economen en analisten die scenario-analyses, stress-tests of vooruitblikken uitvoeren op basis van hiërarchische factormodellen, omdat ze nu een statistisch onderbouwde manier hebben om de onzekerheid van hun factorenschattingen te kwantificeren.

Conclusie:
Het paper sluit de gaten in de literatuur over inferentie voor ML-DFM's. Het bevestigt dat de bestaande theorie voor PC-factoren (Bai, 2003) kan worden gebruikt voor SLS-factoren, mits men gebruikmaakt van geschikte schatters voor de asymptotische MSE (FPR) en correcties voor eindige steekproefonzekerheid (subsampling). Dit maakt SLS niet alleen een schattingsmethode, maar ook een volwaardig instrument voor statistische inferentie in complexe, hiërarchische datastructuren.