NBER美国国民经济研究局-NBER-Forecasting-with-a-Panel-Tobit-Model_58页_1mb

文档总结：使用面板Tobit模型进行预测

核心内容

本文探讨了如何使用动态面板Tobit模型（考虑异方差性和相关随机效应）对大量短时间序列的审查数据进行预测。作者提出了一种全贝叶斯方法，以灵活估计跨截面的异质系数分布，并利用该分布作为先验来构建贝叶斯预测。此外，文章还介绍了集合预测（set forecasts）的概念，其目标是实现跨截面的平均覆盖概率，而非每个单元的点覆盖概率。

主要观点

• 预测目标：文章关注点预测、密度预测和集合预测，特别是如何在异质性模型中进行预测。
• 模型设定：模型为动态面板Tobit模型，其中因变量 $ y_{it} $ 是审查变量 $ y_{it}^* $ 的观察值，当 $ y_{it}^* < 0 $ 时，观察值为0。
• 贝叶斯方法：作者采用全贝叶斯方法，结合超先验分布来估计异质系数，并通过联合后验分布进行预测。
• 集合预测：集合预测是基于跨截面平均覆盖概率的预测，不同于传统点预测或区间预测。预测集可以是单点集、区间集或包含0和区间集的联合集。
• 预测评估：预测性能通过**均方根误差（RMSE）和平均对数预测得分（LPS）以及连续等级概率得分（CRPS）**进行评估。
• 异质性建模：文章引入了异方差性和相关随机效应，以提高预测精度，特别是在密度和集合预测中表现显著。

关键信息

模型结构

• 动态面板Tobit模型设定为：
  $$
  y_{it} = y_{it}^* \mathbb{I}{y_{it}^* \geq 0}, \quad y_{it}^* \sim N(\lambda_i + \rho y_{it-1}^* + \beta' x_{it}, \sigma_i^2)
  $$
• 模型包含异质截距 $ \lambda_i $ 和异质方差 $ \sigma_i^2 $，并假设这些参数服从相关随机效应（CRE）分布。

预测方法

• 点预测：基于后验均值，以最小化后验预期损失。
• 密度预测：使用后验预测密度进行评估，通过LPS和CRPS指标。
• 集合预测：使用后验预测置信区间，目标为跨截面的平均覆盖概率。

模型扩展

• 异质性建模通过Dirichlet过程混合模型（DPM）实现，允许灵活的分布形式。
• 蒙特卡洛实验和实证分析均显示，基于全贝叶斯方法的集合预测在跨截面覆盖频率上表现良好。
• 作者在实证部分对银行层面的贷款违约率进行了预测，数据包括超过100个银行的面板数据，时间跨度为 $ T = 10 $。

先验与后验分布

• 异质系数 $ (\lambda_i, \sigma_i^2) $ 的分布由超先验定义，使用Dirichlet过程混合模型。
• 对于线性模型，全贝叶斯方法可以自然推广。
• 相关随机效应的引入有助于提高预测精度，特别是对于密度和集合预测。

模型比较

• 与同质模型相比，异质模型在预测性能上显著优于后者。
• 异方差性的建模进一步提升了预测质量。
• 文章还讨论了不同模型设定下的预测性能差异，包括随机效应、同方差性以及不同分布假设。

模型实现与评估

• 后验预测密度：通过模拟生成，利用已观测数据 $ Y_{1:N,0:T} $ 和未来协变量 $ X_{1:N,0:T+h} $ 构建。
• 集合预测构造：通过最小化平均长度，同时满足平均覆盖概率约束，构建集合预测区间。
• 预测集形式：集合预测可以是单点集 $ {0} $、区间集 $ [0, b_i] $ 或包含0和区间集的联合集 $ {0} \cup [a_i, b_i] $。
• 实证应用：文章应用该模型预测银行的信用卡和住宅房地产贷款的违约率，数据覆盖多个时间段，且具有较高的预测精度。

文献贡献

• 方法论贡献：扩展了全贝叶斯估计方法到非线性面板Tobit模型。
• 预测方法贡献：提出了针对跨截面平均覆盖概率的集合预测方法。
• 应用贡献：首次将该方法应用于银行层面的贷款违约率预测，展示了其在实际数据中的有效性。

结构概览

• 第1节：介绍研究背景和问题。
• 第2节：详细讨论模型设定、预测方法及评估指标。
• 第3节：介绍相关随机效应、先验分布和后验分布的构建。
• 第4节：通过蒙特卡洛实验验证模型性能。
• 第5节：展示在银行贷款违约率预测中的实证结果。
• 第6节：总结全文。

附录信息

• 数据集描述、额外实证结果和部分推导内容见在线附录。

字数统计：约999字