基于组件的动态因子Nowcast模型

N O . 11522025年4月2日 Hannah O’Keeffe | Katerina Petrova 基于组件的动态因子现在值模型Hannah O’Keeffe和Katerina Petrova纽约联邦储备银行工作人员报告, 第1152号 2025年4月 https://doi.org/10.59576/sr.1152 摘要 在本文中，我们提出一种基于组件的动态因子模型进行即时预测国内生产总值（GDP）增长。我们结合了“自下而上”方法的思路，该方法通过建模和预测GDP的子组成部分来利用国民收入会计恒等式，以及适用于降维和经济实时简约监测的动态因子（DF）模型。新模型的优势有两方面：(i) 与现有的动态因子模型相比，该模型尊重GDP会计恒等式；(ii) 与现有的“自下而上”方法相比，它通过动态因子模型联合建模所有GDP组成部分，继承了其主要优势。此外，所得CBDF方法的一个额外优势是，它作为副产品为GDP的每个组成部分生成即时预测密度和影响分解。我们展示了一个全面的预测练习，其中我们从点和密度预测的角度评估模型性能，并将其与现有的模型（例如，纽约联邦储备银行目前使用的Almuzara、Baker、O’Keeffe和Sbordone（2023）的模型，以及亚特兰大联邦储备银行目前使用的Higgins（2014）的模型）进行比较。我们证明，在较大的历史样本中，标准DF模型的点即时预测性能（以均方根误差RMSE衡量）平均可以提高15%，其密度即时预测性能（以对数预测得分衡量）平均可以提高20%。 JEL分类：C32, C38, C53 关键词：动态因子模型，GDP即时预测 O’Keeffe, Petrova: 美国联邦储备银行纽约分行（邮箱：katerina.petrova@ny.frb.org, hannah.okeeffe@ny.frb.org）。作者感谢Keshav Dogra、Richard Crump、Argia Sbordone和Martin Almuzara提供的有益评论和建议。 本文呈报初步研究成果，仅供经济学家及其他感兴趣的读者讨论，以激发讨论并征询意见。文中所述观点为作者个人观点，并不一定反映纽约联邦储备银行或联邦储备系统之立场。任何错误或疏漏均由作者负责。 1 引言 国内生产总值（GDP），作为最重要的经济活动总结指标，存在显著的滞后性，导致市场参与者对当前经济状况的理解存在信息缺口。因此，拥有可靠的当前季度GDP增长预估（即“即时预测”），对于家庭、企业及政策制定者而言都至关重要。构建此类预估的主要挑战之一在于确定应监测哪些指标序列，以及如何在这些数据发布时间不均、且持续修订的情况下有效利用这些数据。 本文的重点在于无主观判断的自动预测模型；我们从主观预测中提取，后者缺乏一个正式和系统的框架来持续地从大量复杂信息中提取信号。在文献中关于预测建模有两个广泛的方法。第一种利用动态因子（DF）模型（例如Giannone, Reichlin, and Small(2008),Banbura、Giannone和Reichlin(2010), 以及模型Almuzara等人(2023目前由纽约联邦储备银行使用) 这些模型能够实时适应处理高维变量、混合频率、缺失观测值和信息不规则到达的情况，以简约且模型一致的方式提供不确定性，并以GDP即时预测概率密度形式呈现不确定性。DF模型在全球政策机构中已得到充分建立。 SeeCascaldi-Garcia, Luciani, and Modugno(2024b) for a recent review on DF models in nowcasting 1：也存在关于其他适用于即时预测的混 合频率模型的文献，例如向量自回归模型（例如。Schorfheide and Song(2015)和卡里埃罗、克拉克和马塞利诺(2015)). 现有DF和VAR模型的一个缺点是，由于它们不 施加国民收入核算恒等式，因此缺少将关键组成部分与GDP联系起来的重要约束，并因此可能产生反直觉的结果。此外，虽然某些GDP总量的组成部分数据与GDP一样以季度频率发布，但消费和贸易等其他组成部分的数据发布得要早得多，并以月度频率发布。标准的DF模型使用这些早期组成部分发布的信息，通过模型的因子和载荷来修订其GDP估计；然而，DF模型结构缺乏对这些月度组成部分的关键会计约束，如果有效利用这些约束，可以提高GDP估计的准确性。 文献中的第二种方法，有时被称为“自下而上”的方法，试图尽可能模仿经济分析局（BEA）在构建GDP估计时使用的会计公式（例如，该模型...）Higgins(2014) 目前由亚特兰大联邦储备银行使用Baffigi, Golinelli, and Parigi(2004)). 这涉及利用部分GDP构成项的早期、已实现数据，并利用一套辅助方法（如简单时间序列模型、连接方程式或MIDAS模型）对其他所有构成项进行即时预测，然后将所有数据整合到通过国民会计恒等式得出的GDP估计中。这种方法的缺点是它缺乏 共同the capacity to以严格统计的方式处理数据，基于正式似然并进行单一模型的过滤。此外，由于GDP 构成部分通常采用不同的方法进行建模，因此无法在nowcast估计周围产生模型一致性概率密度。 在本文中，我们开发了一种新型组件化动态因子（CBDF）即时预测模型，该模型通过利用动态因子模型，整合了现有文献中两种方法的思路，以实时有效处理来自广泛宏观经济和金融指标的动态信息流，同时将国民账户恒等式应用于六个总体的GDP组成部分，以密切模拟美国商务部（BEA）构建GDP所使用的公式。由此产生的DF模型生成了每个子组成部分的即时预测密度，随后通过会计恒等式组合这些密度以获得GDP增长的即时预测密度。我们使用了制造、劳动力市场、金融状况以及消费情绪和商业前景调查等软数据等市场驱动指标，以及GDP组成部分（消费、投资、存货、净出口和政府支出）的时间序列。新型模型结合了贝叶斯动态因子建模、卡尔曼滤波技术和“自下而上”方法来处理这些数据，相较于现有方法具有多项优势。 首先，它采用美国经济分析局（BEA）使用的国民经济核算恒等式，通过各GDP组成部分的名义份额加权模型隐含的即时预测值，这与现有的动态因子模型形成对比。其次，它通过单一动态因子模型联合建模所有GDP组成部分，与现有的“自下而上”方法形成对比，并继承了其理想的特性：(i)有效处理混合频率、缺失观测值和数据不平衡到达的实时问题；(ii)通过使用旨在捕捉特定组成部分以及共同变动的因子来降低维度。第三，它通过即时预测修订对GDP及其组成部分的影响分解，为接收到的数据发布提供透明的解读。最后，它生成各组成部分即时预测的概率密度，综合起来提供GDP增长的即时预测，并附带一个完全的概率密度来量化其不确定性。这是通过时变波动率实现的2以及DF模型中因素方差异常值和特殊项，提供更准确的关于每个组成部分和GDP估计的数据与参数不确定性描述。 我们通过多种设定方式实验改进CBDF方法的即时预测表现。我们通过综合实时预测练习研究该模型的过往表现，评估其在点预测和密度预测方面的即时预测表现，并将其与现有模型（例如该模型）进行比较。Almuzara等人(2023) 目前纽约联邦储备银行正在使用，该模型由Higgins(2014), 目前由亚特兰大联邦储备银行使用, 以及 SPF 和蓝筹等基于专业判断的预测)。我们证明, 新的 CBDF 模型表现良好, 并且平均可以提高当前纽约联邦储备银行工作人员即时预测模型 (以均方根误差 RMSE 为衡量标准) 的点预测性能 15%, 以及其密度即时预测模型 (以逻辑预测得分 log-predictive scores 为衡量标准) 的性能 20% (在较大的历史样本中)。 本文余下的部分组织如下。在第五节2.1：，我们提供了一种新模型开发的动机，并展示了该模型如何解决现有DF预测模型的一些问题。在第三部分2.2我们通过最新一个季度（2025:Q1）的视角，阐释了新CBDF与标准DF方法之间的差异。新模型的技术细节见第X节3; 预测评估练习在第几节中呈现。4section 5concludes and the Appendix (A)包含关于吉布斯抽样算法和先验分布的详细信息，以及一些额外的实证结果。 2 动机 2.1 什么是推动GDP即时预测的因素 标准DF预测模型，在不施加会计恒等式约束的情况下，有时会产生矛盾的输出结果。我们通过模型隐含的影响分析来说明这一点，该分析将每个周度GDP预测修订分解为数据发布意外（相对于模型预测）以及数据与参数修订的影响。关于这些影响的计算方法的技术细节，请参阅第3.5; 这里我们提供一些直观理解和实证说明。在新CBDF模型的框架下，GDP从一周到另一周的预测修订是一个加权平均值，它反过来又是“新闻”的加权平均值，而“新闻”被定义为本周发布的数据与模型预测之间的差异。 由此产生的CBDF模型的冲击权重分配给月度成分序列中的新闻（意外情况），是三个建模选择的结果：（i）会计方程中每个成分所获得的名义份额，（ii）每个月在计算每个成分（以及GDP）的环比增长率时所获得的不成比例的权重，以及（iii）源于基本因子模型的联合动态结构。标准DF模型的冲击权重仅通过因子、载荷和特质项体现在模型结构中，由于缺乏强制的国民账户结构而遗漏了前两种效应。第一个问题导致对对GDP增长计算至关重要的重要成分序列中的意外情况的冲击权重相对较弱，相对于国民账户恒等式中的名义份额所暗示的水平而言。事实上，在某些情况下，例如进口增长，标准DF模型生成的权重具有反直觉的符号。尽管进口序列中的正向意外可能通过因子结构以不同方向和各种渠道影响多变量DF模型中的所有其他序列，但由于进口在会计恒等式中带有负号，其对这些序列的总体效应预计主要是负的。新的CBDF模型旨在通过允许进口序列通过共同因子结构影响所有其他序列来解决这个问题，但关键在于强制它以进口的名义份额为权重，带负号进入GDP方程。 当通过模型修订季度GDP即时预测时，会收到通胀意外。Almuzara等人(2023) (目前由纽约联邦储备银行使用，我们将其标记为DF模型，以及我们新的CBDF模型3（该图表显示了季度内每周的权重，平均基于2006年第二季度至2024年第四季度的75个季度）。由于这些月度数据存在滞后发布的情况，图表还标明了每个月度观测值在本季度大致的发布时间。从图……1与标准的DF模型相比，新的CBDF模型对名义进口增长发布时的意外情况具有负影响权重，对进口价格具有正权重（与GDP会计恒等式一致）。 标准DF模型存在的第二个问题在于，在整个季度内，对重要月度GDP构成的影响权重最终形成的形状，未能反映计算季度环比增长率（QoQ growth rate）的公式，其中某些月份获得的权重高于其他月份（参见公式）。1在章节中3.1 关于精确公式的详情）。因此，在更重要的月份所出现的意外情况，会获得与在不太相关的月份所出现的意外情况相等的权重。相比之下，我们的CBDF模型解决了这个问题，因为我们现在的GDP短期预测是通过将国民经济核算恒等式应用于各组成部分的季度环比增长率来计算的，而像消费和贸易数据这样的月度频率数据，其环比增长率是通过月度增长率发布来计算的。在图1，, CBDF模型的冲击权重与季度内QoQ公式的发展变化密切相关。如预期所示，当参考季度第一个月的数据系列到达时，冲击权重达到峰值，这与公式相符。 季度增长率权重赋予本月最大权重。由于进口价格数据提前一个月发布，相应的权重会在更早的时间达到峰值，这与公式相符。我们用另一个例子来说明上述观点：月度个人消费支出（PCE）的意外影响权重，其名义占比约为GDP的70%，为当前季度GDP提供了早期且宝贵的信号。在图2, 我们展示了从PCE增长数据的意外变化对GDP产生的周度影响权重。标准的DF模型赋予该序列正权重，但这些权重较小，且未能正确反映该组成部分