On a New Procedure for Identifying a Dynamic Common Factor Model

• Autores: Stevenson Bolívar, Fabio H. Nieto, Daniel Peña
• Localización: Revista Colombiana de Estadística, ISSN-e 2389-8976, ISSN 0120-1751, Vol. 44, Nº. 1, 2021, págs. 1-21
• Idioma: inglés
• DOI: 10.15446/rce.v44n1.84816
• Títulos paralelos:
  • Sobre un nuevo procedimiento para identificar un modelo de factores comunes dinámicos
• Enlaces
  • Texto completo
• Resumen
  • español

    Resumen En el contexto del modelo exacto de factores comunes dinámicos, las correlaciones canónicas en series de tiempo multivariadas son usadas para identificar el número de factores latentes. En este artículo, establecemos la relación entre correlación canónica y la función de autocovarianza del proceso de los factores, con el fin de modificar una prueba estadística diseñada para identificar el número de factores comunes. En particular, se incrementa la potencia de la prueba. Adicionalmente, proponemos un procedimiento para identificar el modelo VARMA para el proceso de los factores, el cual está basado en lo que denominamos las funciones de autocorrelación simple y parcial. Ilustramos la metodología propuesta por medio de ejemplos simulados y una aplicación con datos reales.

  • English

    Abstract In the context of the exact dynamic common factor model, canonical correlations in a multivariate time series are used to identify the number of latent common factors. In this paper, we establish a relationship between canonical correlations and the autocovariance function of the factor process, in order to modify a pre-established statistical test to detect the number of common factors. In particular, the test power is increased. Additionally, we propose a procedure to identify a vector ARMA model for the factor process, which is based on the so-called simple and partial canonical autocorrelation functions. We illustrate the proposed methodology by means of some simulated examples and a real data application.

• Referencias bibliográficas
  • Ahn, S. C.,Horenstein, A. R. (2013). 'Eigenvalue Ratio Test for the Number of Factors'. Econometrica. 81. 1203
  • Anderson, T. (1984). An Introduction to Multivariate Statistical Analysis. Wiley.
  • Box, G. E. P.,Jenkins, G. M. (1970). Time series analysis: forecasting and control. Holden-Day. San Francisco, CA.
  • Doz, C.,Fuleky, P. (2020). 'Macroeconomic Forecasting in the Era of Big Data'. Springer.
  • Geweke, J. (1977). 'The dynamic factor analysis of economic timeseries models'. Latent Variables in Socio-Economic Models. 365
  • Jungbacker, B.,Koopman, S. J. (2015). 'Likelihood-Based Dynamic Factor Analysis for Measurement and Forecasting. The Econometrics Journal....
  • Lam, C.,Yao, Q. (2012). 'Factor modeling for high-dimensional time series: Inference for the number of factors1'. Annals of Statistics....
  • Metaxoglou, K.,Smith, A. (2007). 'Maximun likelihood estimation of VARMA models using a state-space EM algorithm'. Journal of Time...
  • Nieto, F. H.,Peña, D.,Saboyá, D. (2016). 'Common seasonality in multivariate time series'. Statistica Sinica. 26. 1389
  • Peña, D. (2010). Análisis de series temporales. Alianza Editorial.
  • Peña, D.,Box, G. E. P. (1987). 'Identifying a Simplifying Structure in Time Series'. Journal of the American Statistical Association....
  • Peña, D.,Poncela, P. (2006). 'Nonstationary dynamic factor analysis'. Journal of Statistical Planning and Inference. 136. 1237
  • Reinsel, G. C. (1997). Elements of Multivariate Time Series Analysis. 2. Springer-Verlag.
  • Stock, J. H.,Watson, M. (2011). 'Oxford Handbook on Economic Forecasting. Oxford University Press, Oxford.
  • Stock, J. H.,Watson, M. W. (2016). 'Handbook of macroeconomics', Vol. 2 of Handbook of Macroeconomics. Elsevier.
  • Tiao, G. C.,Tsay, R. S. (1989). 'Model specification in multivariate time series'. Journal of the Royal Statistical Society. Series...