2024-11-10-美联储-通过EM算法对大近似动态因子模型进行准最大似然估计和推断（英）_135页_2mb

总结：大规模近似动态因子模型的EM算法下的拟极大似然估计与推断

核心内容

本文探讨了使用EM（期望最大化）算法和卡尔曼平滑器对大规模近似动态因子模型（Approximate Dynamic Factor Model, ADFM）进行拟极大似然估计（Quasi Maximum Likelihood, QML）和统计推断的理论性质。研究的重点是分析在样本规模 $T$ 和截面维度 $n$ 同时趋于无穷时，EM算法和卡尔曼平滑器估计量的渐近行为。

主要观点

1. 估计量的渐近性质

   • 因子载荷估计：通过EM算法估计的因子载荷是 $\sqrt{T}$-一致的，渐近正态分布，且等价于QML估计量。此外，这些估计量在渐近效率上与主成分分析（PCA）估计量相当。
   • 因子估计：通过卡尔曼平滑器估计的因子是 $\sqrt{n}$-一致的，渐近正态分布，且等价于加权最小二乘估计量。若因子的异质成分协方差矩阵足够稀疏，则其效率优于PCA估计量。
   • EM算法的性质：EM算法被视为QML估计方法的近似，因为它最大化一个误设的似然函数，该函数基于一个假设的、无相关性的异质成分模型。

2. EM算法与卡尔曼平滑器的联合使用

   • EM算法通过迭代的E步（期望）和M步（最大化）进行估计，其中E步使用卡尔曼平滑器估计因子及其二阶矩，M步则基于这些估计值最大化期望对数似然。
   • 该算法在处理缺失数据和不规则时间序列方面具有优势，并且允许在模型中引入先验知识的约束。

3. 与现有方法的比较

   • 本文提出的EM算法估计方法在渐近性质上优于其他传统方法，如PCA和静态因子模型的QML估计。
   • 本文是首个系统研究EM算法和卡尔曼平滑器在大规模ADFM中的渐近性质的文献。

关键信息

• 模型结构：

  • 观测方程：$x_{it} = \mu_i + \lambda_i' F_t + \xi_{it}$
  • 状态方程：$F_t = \sum_{h=1}^{p_F} A_h F_{t-h} + v_t$
  • 该模型属于动态因子模型（DFM），其中因子和异质成分均可能具有自相关性。

• 估计方法：

  • 传统的QML估计在大规模模型中不可行，因为需要估计过多参数。
  • 本文采用EM算法，通过引入误设的似然函数，显著减少参数数量，并提供闭式表达的估计量。

• 渐近效率：

  • 因子载荷估计量的渐近效率与PCA相当，但若异质成分的协方差矩阵足够稀疏，因子估计量的效率更高。
  • EM算法的估计量在渐近意义上等价于QML估计量，但其收敛性与效率问题在文献中尚未完全解决。

• 应用背景：

  • ADFM广泛应用于宏观经济和金融数据分析，如反事实分析、条件预测、现在预测（nowcasting）、因子结构约束、经济活动指标构建等。
  • 本文为这些应用提供了坚实的理论基础。

• 方法创新：

  • 本文首次系统性地研究了EM算法和卡尔曼平滑器在大规模ADFM中的渐近性质。
  • 提出了EM算法在估计过程中如何处理模型误设问题，并证明其估计量在渐近意义上是有效的。

结构概述

• 引言：介绍了因子分析的背景和动态因子模型的发展，提出本文研究的问题和方法。
• 文献综述：回顾了EM算法在DFM中的应用及现有研究的局限性。
• 估计方法：详细描述了EM算法的实现步骤，包括E步和M步的具体操作。
• 假设条件：列出了模型和估计方法所需的假设条件。
• 渐近结果：证明了EM和卡尔曼平滑器估计量的渐近一致性、正态性和效率。
• 效率比较：比较了EM算法与PCA在估计效率上的差异。
• 协方差矩阵估计：提出了渐近协方差矩阵的估计方法。
• 蒙特卡洛研究：通过模拟实验验证了估计方法的性能。
• 实证应用：展示了EM算法在美国宏观经济数据中的应用。
• 结论：总结了本文的理论贡献，并指出未来研究方向。