《Econometrics and Statistics》:The empirical distribution of sequential LS factors in multi-level dynamic factor models
编辑推荐:
蒙特卡洛实验证实,在一般形式的特质协方差矩阵下,多层级动态因子模型(Multi-level Dynamic Factor Models, ML-DFMs)中全局因子和组别特定因子的序贯最小二乘(Sequential Least Squares, SLS)估计量
蒙特卡洛实验证实,在一般形式的特质协方差矩阵下,多层级动态因子模型(Multi-level Dynamic Factor Models, ML-DFMs)中全局因子和组别特定因子的序贯最小二乘(Sequential Least Squares, SLS)估计量的有限样本分布,可以很好地由动态因子模型(Dynamic Factor Models, DFMs)中主成分(Principal Components, PC)因子的渐近分布来近似。研究人员还分析了SLS因子协方差矩阵的替代估计量的表现,其中允许特质成分存在横截面相关并考虑因子载荷估计不确定性的估计量表现最佳。上述结果通过为全局和组别特定国际商业周期构建置信区间得到了展示。
研究背景与问题
在横截面依赖的大面板计量分析中,Pesaran提出的共同相关效应(Common Correlated Effects, CCE)估计量及其后续多因子分层结构研究,为理解不同聚合层面潜在共同冲击驱动的依赖关系提供了统一框架。多层级动态因子模型(Multi-level Dynamic Factor Models, ML-DFMs)通过对因子载荷矩阵施加块零限制,刻画全局因子对所有变量起作用、组别特定因子仅对特定子集起作用的层级结构。Breitung和Eickmeier (2016)提出的序贯最小二乘(Sequential Least Squares, SLS)估计方法因其计算简单且实证表现良好而被广泛使用,但针对SLS因子估计的形式推断仍不完善,尤其是缺乏显式渐近分布表达式。此类结果对于情景分析和压力测试中的因子不确定性量化至关重要。因此,研究人员考察Bai (2003)针对动态因子模型(Dynamic Factor Models, DFMs)中主成分(Principal Components, PC)因子推导的渐近分布能否作为SLS全局与组别特定因子有限样本分布的近似,同时评估不同渐近协方差矩阵估计量的表现。
研究人员开展了什么研究
研究人员通过蒙特卡洛(Monte Carlo)模拟,在多种横截面依赖与异方差结构下,比较SLS因子估计的经验分布与Bai (2003)渐近分布,并分析两种协方差估计量——异方差稳健(Heteroscedasticity-Robust, HR)估计量和允许特质横截面相关的Fresoli et al. (2024)(FPR)估计量,同时考察Maldonado和Ruiz (2021)提出的考虑载荷估计不确定性的子抽样修正。最后,研究人员从106个经济体1960–2024年的宏观数据中提取全球与区域国际商业周期因子,并构建置信区间。
关键技术方法
研究人员采用Monte Carlo设计:ML-DFM包含两个组块(S=2),一个或两个全局因子(r
g=1,2),每组一个组别因子(r
1=r
2=1)。载荷从U(0.5,1)抽取后正交化并固定;因子由AR(1)过程生成并标准化为单位方差;特质成分为高斯白噪声,横截面相关通过Toeplitz结构(τ∈{0,?0.5})、多项式衰减或负相关结构引入。时间维度T∈{50,100,500},每组横截面维度N
1,N
2∈{25,75,300}。SLS算法以典型相关分析(Canonical Correlation Analysis, CCA)初始化,经迭代最小二乘至残差平方和(Residual Sum of Squares, RSS)收敛。为对照,同时估计标准DFM的PC因子。经验均方误差(Mean Squared Error, MSE)矩阵与基于真实参数的渐近MSE比较,协方差矩阵分别由HR和FPR估计,并叠加子抽样修正。数据来源为世界银行世界发展指标(World Development Indicators, WDI)数据库。
研究结果
4. Monte Carlo simulations
在DFM的PC因子模拟中,当特质成分横截面同方差且不相关、载荷相对较强时,经验偏差很小;若某一因子载荷不够大,偏差随N增大而下降。经验MSE主要随N增大而减小,随T变化较小。渐近协方差矩阵即使在小样本下也能较准确近似经验MSE;HR估计量略低估方差,子抽样修正可缓解。加入横截面异方差后,经验MSE和偏差明显增大,渐近MSE近似的是经验协方差而非经验MSE;再加入横截面相关后,偏差进一步增大,FPR估计量表现更好。在ML-DFM的SLS因子模拟中,结果与DFM情形一致:当特质成分同方差且不相关时,渐近MSE在中等样本下良好近似经验MSE,Bai (2003)渐近分布能够很好近似SLS因子的有限样本分布。当特质成分异方差或横截面相关时,组别因子由于载荷绝对值较小而出现明显偏差,需要很大样本才能消除;此时,允许横截面相关的FPR估计量配合子抽样修正表现最佳。
5. Empirical application: International business cycles
研究人员使用SLS从106个经济体的宏观变量中提取全局因子和六个区域因子,并利用基于子抽样修正的渐近分布构造95%置信区间。HR与FPR估计量给出的置信区间宽窄不同,说明错误假设特质成分不相关可能导致协方差低估或高估。全局因子在大部分时期显著不为零,而多数区域因子在长时间内不显著。在全球经济压力时期,区域因子表现出更强同步性,例如亚洲区域因子在1970年代石油危机、沃尔克紧缩、互联网泡沫衰退、全球金融危机和新冠疫情期间显著;欧洲在1960年代初与1980年代货币紧缩、石油危机、全球金融危机和疫情期间显著;北美类似;拉美与加勒比地区在1980年代初衰退、全球金融危机和新冠冲击期间显著。
6. Final considerations(讨论与结论)
讨论部分指出,当使用SLS估计ML-DFM因子时,应基于SLS估计量的联合渐近分布进行推断,且该分布被认为与Bai (2003)针对DFM中PC估计量推导的渐近分布一致;广泛的模拟证据支持这一推测。协方差估计方面,FPR估计量在特质成分存在横截面相关时表现最佳,且在没有相关时也不劣于HR;子抽样修正对考虑因子载荷估计不确定性至关重要。经验部分展示了如何利用渐近分布为SLS因子构建置信区间,并发现区域因子主要在危机时期显著。研究结论翻译:当使用SLS估计ML-DFMs中的因子时,此类推断应基于SLS估计量的联合渐近分布,该分布被推测与Bai (2003)针对DFMs中PC估计量推导的渐近分布一致。在广泛的实证相关时间与横截面维度以及多种特质协方差结构下进行的Monte Carlo模拟为这一推测提供了支持。据作者所知,这是首次使用模拟不仅分析SLS因子点估计的有限样本性质,还分析其分布的研究。作为额外贡献,研究人员评估了文献中提出的几种渐近协方差矩阵估计量,并表明当特质成分横截面相关时FPR估计量表现最佳,而在不相关时也不会恶化;研究还说明了应用子抽样修正以考虑因子载荷估计不确定性的重要性。第三项贡献是经验性的:使用Bai (2003)渐近分布为从1960至2024年106个经济体的大型宏观变量集拟合的ML-DFM中提取的SLS因子构建置信区间。区域SLS因子主要在危机时期显著,意味着衰退期区域同步化程度高于扩张期。Breitung和Eickmeier (2016)以及Rodríguez-Caballero和Caporin (2019)已将原始SLS程序扩展到重叠块设置,这些设置对序贯估计提出了额外挑战;将本文结果扩展到具有重叠因子的ML-DFMs留待未来研究。