Estimation of large dimensional factor models with an unknown number of breaks
Estimation of large dimensional factor models with an unknown number of breaks
复制标题
DOI：
10.1016/j.jeconom.2018.06.019
复制
发表时间：
2018-11
影响因子：
6.3
通讯作者：
Shujie Ma;Liangjun Su
中科院分区：
文献类型：
--
作者：
Shujie Ma;Liangjun Su
本文研究了当因子负荷随时间变化的次数未知时，高维因子模型的估计问题。我们提出了一个新的三步程序来检测的休息，如果有的话，然后确定他们的位置。在第一步中，我们将整个时间跨度划分为子区间，并在每个区间上拟合传统的因子模型。在第二步中，我们应用自适应融合组Lasso来识别包含中断的区间。在第三步中，我们设计了一个网格搜索方法来估计每个识别的间隔上的中断的位置。我们表明，概率接近一，我们的方法可以确定正确的数量的变化和估计的休息的位置。仿真研究表明，我们的方法具有极好的有限样本性能。我们应用我们的方法来研究Stock和沃森（2009）的美国月度宏观经济数据集，并确定了1959-2006年因子载荷的五个突变。
In this paper we study the estimation of a large dimensional factor model when the factor loadings exhibit an unknown number of changes over time. We propose a novel three-step procedure to detect the breaks if any and then identify their locations. In the first step, we divide the whole time span into subintervals and fit a conventional factor model on each interval. In the second step, we apply the adaptive fused group Lasso to identify intervals containing a break. In the third step, we devise a grid search method to estimate the location of the break on each identified interval. We show that with probability approaching one our method can identify the correct number of changes and estimate the break locations. Simulation studies indicate superb finite sample performance of our method. We apply our method to investigate Stock and Watson’s (2009) U.S. monthly macroeconomic dataset and identify five breaks in the factor loadings, spanning 1959–2006.