Upload
jenski
View
22
Download
0
Embed Size (px)
DESCRIPTION
Approximate Dynamic Factor Models: sviluppi recenti della teoria e applicazioni – parte seconda Andrea Brasili Strategie e Studi – UniCredit Banca d’Impresa. Indice. Riepilogo principal components in the frequency domain Opening the black box: l’identificazione degli shock “primitivi” - PowerPoint PPT Presentation
Citation preview
1
27 aprile 2005
Approximate Dynamic Factor Models: sviluppi recenti della teoria e applicazioni – parte seconda
Andrea Brasili
Strategie e Studi – UniCredit Banca d’Impresa
2
27 aprile 2005
Indice
• Riepilogo
• principal components in the frequency
domain
• Opening the black box: l’identificazione
degli shock “primitivi”
• Quanti sono gli shock “primitivi”? Ancora
Bai-Ng
• Applicazioni: la produzione industriale per
settore
• Stazionari o no?
3
27 aprile 2005
Dynamic factor model
Xt = ΛFt + et
di dimensioni
(N*T) = (N*r) * (r*T) + (r*T)Con la finalità di prevedere
Yt+1 = β’Ft + εt+1
4
27 aprile 2005
Dynamic factor model II
Per la stima è necessario risolvere questo problema di ottimizzazione:
V(k) = min(NT)-1ΣNi=1 ΣT
t=1 (Xit - λkiFk
t)2
s.t.
Λk’Λk/N = Ik or Fk’Fk/T = Ik
5
27 aprile 2005
Dynamic factor model III
La matrice dei fattori stimati è uguale a √T che moltiplica i k più grandi autovalori di XX’.
Stimata F, Λ sarà data semplicemente da
V(k) = max tr(Fk’(XX’)Fk)
…concentrating out Λk this is equal to
Λ = (Fk’Fk)-1Fk’X
6
27 aprile 2005
Dynamic factor model IV
Xt = Commont + idiosynct
Xt = ΛFt + et
Questo, seguendo SW 1999, ricomprende la più generale rappresentazione in cui
F0t = (ft, ft-1….. ft-q)
Tenendo presente che in ogni caso i fattori non sono identificati, cioè vale
Xt = ΛG’GFt + et dove G’G = I
7
27 aprile 2005
Static vs dynamic PCA
FHLR approach: dynamic principal components versus static principal components. A scopo descrittivo è più completo; in luogo della covarianza fa uso della spectral density matrix, che include leads and lags delle variabili di interesse. (spectral analysis: references Hamilton Time series analysis 1994 capp. 6 e 12; Brillinger Time series analysis 1981 specialmente cap. 9)Più adatta a descrizione che a previsione (two sided filter). FHLR hanno proposto una modifica della loro procedura che diviene un one sided filter (Eurocoin è prodotto così). SW (2004) definiscono FHLR approach al forecasting come un differente modo di “pesare” la matrice varcov delle osservazioni.
8
27 aprile 2005
Static vs dynamic PCA
-3
-2
-1
0
1
2
3
4
5
1 9 17 25 33 41 49 57 65 73 81 89 97 105 113 121 129 137 145 153 161
SW 3
SW 3_2
frlh 24
frlh 54
frlh 12
9
27 aprile 2005
Riferimenti bibliografici
• Forni M. D. Giannone, M. Lippi and L. Reichlin (2004) “Opening the black box: structural factor models versus structural VARs”
• Cimadomo J. (2004) “The effects of systematic monetary policy on sectors: a factor model analysis”
• Forni M., M. Hallin, M. Lippi and L. Reichlin (2004) “Monetary policy in real time”
• Lippi M. and Thornton D. (2004) “A dynamic factor analysis of the response of US interest rates to news” WP FRB St.Louis
• Bai J. and S. Ng (2005) Determining the number of primitive shocks in factor models
• Eickmeier S. Business cycle transmission from the US to Germany – a structural factor approach Bundesbank DP 12/2004
10
27 aprile 2005
Riapplichiamo un DFM alla Stock e Watson seguendo le indicazioni di Forni Reichlin Lippi Giannone (2004). Estrazione di 4 fattori comuni.
Un DFM stimato con le Componenti Principali (c.p. nel seguito) statiche lascia implicita la possibile esistenza di relazioni di lead and lags tra i fattori.
Questi potrebbero essere dunque semplicemente c.l. di ritardi di altri fattori.
Dynamic factor model
11
27 aprile 2005
Il suggerimento è di fare una proiezione su se stessi dei residui così da valutarne le relazioni di leads and lags. Quindi un VAR (in questo caso di ordine 1) sui fattori. Dopodichè sui residui di questa proiezione si applica nuovamente una scomposizione c.p. che permette di esprimere la componente comune (i fattori) in termini di shock fondamentali e tra loro incorrelati; scegliendo poi una opportuna matrice di rotazione si identificano questi shock comuni e strutturali che “muovono” l’economia.
Dynamic factor model: l’identificazione
12
27 aprile 2005
Dynamic factor model
Per tenere conto dei leads and lags possibili tra i fattori si fa una projection, che corrisponde alla stima di un VAR di ordine p (negli esempi, pochi peraltro), è sempre un VAR(1).
(In effetti, come noto dalla letteratura sui VAR, un VAR(p) può sempre essere riscritto come un opportuno VAR(1))
ft = Aft + ut
13
27 aprile 2005
Dynamic factor modelA questo punto si dovrebbe valutare il rango della matrice varcov dei residui, tenendo presente che lo spazio mappato dagli stessi potrebbe essere più piccolo (per le eventuali relazioni leads-lags dette sopra) di quello dei fattori. In ogni caso diventa interessante esprimere la componente comune in termini di questi shock, una volta che si sia certi siano incorrelati, si esprime quindi la componente comune in termini di rappresentazione MA
Xt = B(L)ut + §t
Per essere certi delle proprietà di u, cioè di aver considerato la “giusta” dimensione e di possedere shocks che siano tra loro ortogonali, si estraggono nuovamente le componenti principali, scegliendo opportunamente il numero di queste.
14
27 aprile 2005
Static vs dynamic factor models
Xt = Commont + idiosynct
xit = λ’i(L)ft + eit
ft=C(L)εt
Dove gli εt sono iid vectors e quindi:
Dove λ(L) è la matrice dei loading dei fattori dinamici ed è di ordine s, inoltre
La dimensione di f è la stessa di ε ed è definita NUMERO DEI FATTORI DINAMICI, ma in generale è diversa da F, che potenzialmente include ritardi e anticipi di f
xit = λ’i(L)C(L)εt+ eit
15
27 aprile 2005
Static vs dynamic factor models
xit = λ’i1ft + λ’i2ft-1 + λ’i3ft-2 +….+ λ’isft-s + eit
xit = λ’i(L)ft + eit
Dove ft è di dimensione q e L è il consueto operatore ritardo
λ’i(L) = λ’i1 + λ’i2L + ….+ λ’isLs
Xt = Λ’Ft + et
…può essere riscritto in forma statica
16
27 aprile 2005
Static vs dynamic factor models
…dove…
Λi =
λ i1 λ i2 …..….. λ is
Ft =
f t f t-1 …..….. f t-s
La dimensione di F sarà dunque r = q(s+1) dove q è la dimensione di f
17
27 aprile 2005
Static vs dynamic factor models
Bai Ng (2005) mostrano (pp7-10) che dati generati da un dynamic factor model possono sempre essere mappati in un modello statico definendo opportunamente F, che evolve come un VAR il cui ordine dipende dalla dinamica di f. La dimensione di F è sempre q(s+1) indipendentemente dall’ordine del VAR.
Come si determina il numero dei fattori dinamici? (cioè dato r, q?). Intuitivamente è il rango della matrice dei residui del VAR stimato sui fattori statici stimati. LT suggeriscono i criteri euristici di FHLR (varie) come criteri di definizione di q.
18
27 aprile 2005
Static vs dynamic factor models
Bai Ng (2005) mostrano che una possibile modalità è quella di operare una spectral decomposition della matrice varcov dei residui del VAR sui fattori. Se questi fossero osservati, si tratterebbe di verificare se esistano, a partire dalle innovazioni ut (di dimensione r), una matrice R(rxq) e un set di innovazioni (di dimensione q) che costituiscano le q linearmente indipendenti che “spannano” lo spazio di u.
ut = Rεt
19
27 aprile 2005
Static vs dynamic factor models
Con A matrice simmetrica rxr si può usare la spectral decomposition:A = BCB’ dove B è una matrice ortogonale e C contiene sulla diagonale gli autovalori di A
A = Σqj=1 cjβjβ’j = Σr
j=1 cjβjβ’j
perchè se vi sono innovazioni l.d. A avrà alcuni autovalori = 0. BN mostrano che se i fattori (e il loro numero) sono stimati consistentemente, si può costruire una procedura basata su questo approccio per determinare q.
20
27 aprile 2005
Una semplice metodologia di previsione su cross section ampie: l'applicazione alle
regioni italiane e alla produzione industriale per i settori ATECO
Milano, giovedì 3 marzo 2005
Andrea Brasili
Studi economici, Unicredit Banca d’Impresa
21
27 aprile 2005
Dynamic factor model
Disponiamo di 20 serie storiche di Pil regionali a frequenza mensile. Oppure dei dati di produzione industriale a livello settoriale (anche in questo caso una ventina di serie). Come fare previsione su queste variabili? In previsione, un modello dovrebbe catturare due elementi: gli shock di natura comune che si ripercuotono con differenti effetti su ogni regione, e gli shock di natura idiosincratica. Partiamo dal primo. Modellarlo ricorrendo ad un panel ad effetti fissi non sembra dare risultati apprezzabili (abbiamo seguito questa via per le regioni un paio di anni fa)
22
27 aprile 2005
I pil regionali
-4
-2
0
2
4
6
8
10
Jan-
95
Apr-9
5
Jul-9
5
Oct
-95
Jan-
96
Apr-9
6
Jul-9
6
Oct
-96
Jan-
97
Apr-9
7
Jul-9
7
Oct
-97
Jan-
98
Apr-9
8
Jul-9
8
Oct
-98
Jan-
99
Apr-9
9
Jul-9
9
Oct
-99
Jan-
00
Apr-0
0
Jul-0
0
Oct
-00
Jan-
01
Apr-0
1
Jul-0
1
Oct
-01
Jan-
02
Apr-0
2
Jul-0
2
Oct
-02
Jan-
03
Apr-0
3
Jul-0
3
Oct
-03
Piemonte
Valle d'Aosta
Lombardia
Trentino-Alto Adige
Veneto
Friuli-Venezia Giulia
Liguria
Emilia Romagna
Toscana
Umbria
Marche
Lazio
Abruzzo
Molise
Campania
Puglia
Basilicata
Calabria
Sicilia
Sardegna
23
27 aprile 2005
Si può ampliare il dataset, il più possibile, nello stile della letteratura recente sui dynamic factor models. Abbiamo utilizzato informazioni mensili disaggregate per settore (produzione industriale) o per tipologia di beni (prezzi al consumo, prezzi alla produzione). In più qualche variabile monetaria (tassi, M2) e qualche variabile internazionale (tasso di cambio reale effettivo, tasso di cambio lira/dollaro, produzione industriale altri paesi europei). A questo punto disponiamo di un data set di 77 serie mensili.
Dynamic factor model
24
27 aprile 2005
Dynamic factor model
Factors pcp1 pcp2 pcp3 icp1 icp2 icp31 0.7735 0.77585 0.76736 -0.21333 -0.20604 -0.232362 0.71311 0.71781 0.70084 -0.25788 -0.24329 -0.295943 0.68654 0.6936 0.66814 -0.26211 -0.24022 -0.31924 0.67135 0.68075 0.64681 -0.25323 -0.22405 -0.329365 0.65775 0.66951 0.62707 -0.24613 -0.20965 -0.341286 0.64777 0.66188 0.61096 -0.23679 -0.19301 -0.350977 0.63916 0.65562 0.59622 -0.22922 -0.17815 -0.362438 0.63362 0.65244 0.58455 -0.21956 -0.1612 -0.371819 0.63111 0.65227 0.57589 -0.20719 -0.14154 -0.37847
10 0.62984 0.65336 0.5685 -0.19582 -0.12286 -0.3861311 0.63024 0.65611 0.56276 -0.18424 -0.10399 -0.3935812 0.63332 0.66154 0.5597 -0.16914 -0.0816 -0.3975213 0.63852 0.6691 0.55877 -0.15131 -0.05647 -0.39871
25
27 aprile 2005
Dynamic factor model
Factors pcp1 pcp2 pcp3 icp1 icp2 icp31 0.78704 0.7907 0.77749 -0.21333 -0.20604 -0.232362 0.74019 0.74751 0.72109 -0.25788 -0.24329 -0.295943 0.72717 0.73815 0.69851 -0.26211 -0.24022 -0.31924 0.72551 0.74016 0.68731 -0.25323 -0.22405 -0.329365 0.72545 0.74376 0.6777 -0.24613 -0.20965 -0.341286 0.72902 0.75099 0.67172 -0.23679 -0.19301 -0.35097
26
27 aprile 2005
Riapplichiamo un DFM alla Stock e Watson seguendo le indicazioni di Forni Reichlin Lippi Giannone (2004). Estrazione di 4 fattori comuni.
Un DFM stimato con le Componenti Principali (c.p. nel seguito) statiche lascia implicita la possibile esistenza di relazioni di lead and lags tra i fattori.
Questi potrebbero essere dunque semplicemente c.l. di ritardi di altri fattori.
Dynamic factor model
27
27 aprile 2005
Il suggerimento è di fare una proiezione su se stessi dei residui così da valutarne le relazioni di leads and lags. Quindi un VAR (in questo caso di ordine 1) sui fattori. Dopodichè sui residui di questa proiezione si applica nuovamente una scomposizione c.p. che permette di esprimere la componente comune (i fattori) in termini di shock fondamentali e tra loro incorrelati; scegliendo poi una opportuna matrice di rotazione si identificano questi shock comuni e strutturali che “muovono” l’economia.
Dynamic factor model: l’identificazione
28
27 aprile 2005
Dynamic factor model
Xt = Commont + idiosynct
Xt = ΛFt + et
Questo, seguendo SW 1999, ricomprende la più generale rappresentazione in cui
F0t = (ft, ft-1….. ft-q)
Tenendo presente che in ogni caso i fattori non sono identificati, cioè vale
Xt = ΛG’GFt + et dove G’G = I
29
27 aprile 2005
Dynamic factor model
Per tenere conto dei leads and lags possibili tra i fattori si fa una projection, che corrisponde alla stima di un VAR di ordine p (negli esempi, pochi peraltro), è sempre un VAR(1).
ft = Aft + ut
30
27 aprile 2005
Dynamic factor modelA questo punto si valuta il rango della matrice varcov dei residui, tenendo presente che lo spazio mappato dagli stessi potrebbe essere più piccolo (per le eventuali relazioni leads-lags dette sopra) di quello dei fattori. In ogni caso diventa interessante esprimere la componente comune in termini di questi shock, una volta che si sia certi siano incorrelati, si esprime quindi la componente comune in termini di rappresentazione MA
Xt = B(L)ut + §t
Per essere certi delle proprietà di u, cioè di aver considerato la “giusta” dimensione e di possedere shocks che siano tra loro ortogonali, si estraggono nuovamente le componenti principali, scegliendo opportunamente il numero di queste.
31
27 aprile 2005
Dynamic factor model
0 10 20 30 40 50 60 70 800
0.5
1
1.5
2
2.5
3
3.5
4
32
27 aprile 2005
Dynamic factor model
Concentrandoci sulla parte comune,
Commont = B(L)ut
C(L)vt = B(L)H’ut
vt = Hut
H è una unitary matrix (H’H=I) che può essere determinata per cercare l’interpretazione strutturale dei residui. Stiamo cercando degli shock che siano idiosincratici, estraiamo di nuovo le componenti principali dal vettore u e poi lo premoltiplichiamo per una opportuna matrice H.
33
27 aprile 2005
Abbiamo determinato gli shock comuni e strutturali che “muovono” l’economia.
Nell’esercizio specifico qui descritto, dei quattro della prima parte ne abbiamo tenuti tre (si noti che i criteri per decidere il numero dei fattori non sono mai univoci). Resta da capire cosa siano questi shock. Anche perché è noto che la scomposizione in fattori comuni è unica a meno di una rotazione. La procedura sin qui descritta contiene comunque gli ingredienti per calcolare le funzioni di risposta ad impulso (in termini della matrice H).
Dynamic factor model: l’identificazione
34
27 aprile 2005
Per l’identificazione si può fare ricorso a short run restrictions, long run restriction, agnostic procedures… vi sono differenti modalità. Tutte passano per una via “tradizionale” (nella letteratura sui modelli fattoriali e sulle componenti principali): si cerca di definire, sulla base di vincoli provenienti dagli approcci sopra descritti, i parametri della matrice di rotazione H.
Dynamic factor model: l’identificazione I
35
27 aprile 2005
Per l’identificazione si può fare ricorso a short run restrictions: si impone che sia zero l’impatto contemporaneo degli shock su alcune variabili e per questa via si determinano i parametri della matrice di rotazione H, identificando gli shocks
In questo caso ho imposto: 1) che sia zero l’impatto di uno shock di domanda estera (ragioni di scambio + evoluzione della domanda dei partner commerciali) sul CPI education.
Dynamic factor model: l’identificazione II
36
27 aprile 2005
2) che sia zero l’impatto contemporaneo di uno shock alle commodities sulla voce della produzione: estrazione di minerali.
3) che sia zero l’impatto contemporaneo di uno shock alla domanda domestica sul tasso di cambio lira/dollaro.
A questo punto abbiamo dato un “nome” ai nostri small shock
Dynamic factor model: l’identificazione
37
27 aprile 2005
devo mostrare come si sceglie la matrice di rotazione.
E le impulse response function...
Poi forecasts
Poi un cenno a Panic + eikmeier
Dynamic factor model: l’identificazione
38
27 aprile 2005
Dynamic factor model: l’identificazione
F = (diag(g*[cos(x(1))*cos(x(2)) -sin(x(1))*cos(x(2)) -sin(x(2));
(sin(x(1))*cos(x(3))-cos(x(1))*sin(x(2))*sin(x(3))) (cos(x(1))*cos(x(3))+...
sin(x(1))*sin(x(2))*sin(x(3))) -cos(x(2))*sin(x(3));
(sin(x(1))*sin(x(3))+cos(x(1))*sin(x(2))*cos(x(3))) ...
(cos(x(1))*sin(x(3))-sin(x(1))*sin(x(2))*cos(x(3))) cos(x(2))*cos(x(3))]')-b);
39
27 aprile 2005
Dynamic factor model: l’identificazione
-0.02
-0.01
0
0.01
0.02
0.03
0.04
0.05
1 2 3 4 5 6 7 8 9 10 11 12 13
IT CPI EXCLUDINGTOBACCO (FOI) NADJ
produzione industriale tot
40
27 aprile 2005
Dynamic factor model: l’identificazione
-0.14
-0.12
-0.1
-0.08
-0.06
-0.04
-0.02
0
1 2 3 4 5 6 7 8 9 10 11 12 13
IT CPI EXCLUDINGTOBACCO (FOI) NADJ
produzione industriale tot
41
27 aprile 2005
Dynamic factor model: l’identificazione
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
1 2 3 4 5 6 7 8 9 10 11 12 13
IT CPI EXCLUDINGTOBACCO (FOI) NADJ
produzione industriale tot
42
27 aprile 2005
Dynamic factor model: l’identificazione
-0.005
0
0.005
0.01
0.015
0.02
0.025
0.03
1 2 3 4 5 6 7 8 9 10 11 12 13
Alimentari
Tessile
Calzature
Legno
Carta
Coke
Chimica
43
27 aprile 2005
Dynamic factor model: l’identificazione
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
1 2 3 4 5 6 7 8 9 10 11 12 13
Intermedi
strumentali
consumo durevoli
consumo non durevoli
Consumo
Energia
44
27 aprile 2005
So what? Nella letteratura teorica questa roba può essere utile per considerazioni come quelle che attengono ai VAR strutturali: funzioni risposta ad impulso, decomposizione della varianza etc.etc.Per dei “praticoni” (meglio practitioners, no?) come noi, si può vedere se questi shock hanno una qualche rispondenza con variabili per le quali per altra via abbiamo previsioni e/o uno scenario.
E poi si fa come in finance: nei modelli di tasso si identificano alcuni punti della curva che determinano il movimento degli altri, facendo scenario su quelli si fa previsione su ogni asset che compone il portafoglio.
Dynamic factor model: forecasting
45
27 aprile 2005
Qui si può mettere in relazione lo shock sulle commodities con oil price e tasso di cambio (anche CRB ma non ho avuto tempo)Lo shock sulla domanda estera ancora con il tasso di cambio, e con la domanda per consumi negli USLo shock sulla domanda domestica potrebbe essere posto in relazione all’andamento previsto dei consumi, privati e pubblici, e degli investimenti. (su queste variabili abbiamo ottime ed abbondanti previsioni).
L’imbuto rovesciato
46
27 aprile 2005
Risultato: facendo “previsione” di questi shock si determina una previsione della componente comune di tutte (volendo) le 77 variabili nel sistema.
Diventando più bravi, a queste occorrerebbe aggiungere un pezzo per la parte idiosincratica. (se il settore tessile va in un certo modo uò dipendere anche da elementi specifici del settore e non solo da elementi comuni).
L’imbuto rovesciato
47
27 aprile 2005
I grafici che seguono presentano i risultati dell’applicazione alle regioni e alla produzione industriale.
La parte regionale l’abbiamo già utilizzata per fornire alle pianificazioni lo scenario macro+impieghi, quello per i settori è “nuovo” ed è quello cui fanno riferimento i particolari metodologici prima descritti.
L’imbuto rovesciato
48
27 aprile 2005
Le previsioni sulle regioni
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
gen-
04
mar
-04
mag
-04
lug-0
4
set-0
4
nov-
04
gen-
05
mar
-05
mag
-05
lug-0
5
set-0
5
nov-
05
Serie1
Serie2
Serie3
Serie4
Serie5
Serie6
Serie7
Serie8
Serie9
Serie10
Serie11
Serie12
Serie13
Serie14
Serie15
Serie16
Serie17
Serie18
Serie19
Serie20
49
27 aprile 2005
In sostanza si passa per la possibilità di produrre funzioni di risposta a impulso per le variabili che poi, fatta la proiezione degli shocks divengono previsioni. E si possono fare anche scenari: nei grafici che seguono è presentato l’output del modello a fronte dello scenario base (tipo network) e di uno con il prezzo del petrolio più alto. L’ultimo grafico mostra la previsione sulle produzioni industriali per settore riproporzionata al livello complessivo che abbiamo in mente e che viene da altri modelli.
L’applicazione ai settori
50
27 aprile 2005
Le previsioni sui settori: scenario base
-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Serie1
Serie2
Serie3
Serie4
Serie5
Serie6
Serie7
Serie8
Serie9
Serie10
Serie11
Serie12
Serie13
Serie14
Serie15
Serie16
Serie17
Serie18
Serie19
Serie20
Serie21
51
27 aprile 2005
Le previsioni sui settori: brent a 55-60 $
-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Serie1
Serie2
Serie3
Serie4
Serie5
Serie6
Serie7
Serie8
Serie9
Serie10
Serie11
Serie12
Serie13
Serie14
Serie15
Serie16
Serie17
Serie18
Serie19
Serie20
Serie21
52
27 aprile 2005
Le previsioni sui settori (base)
-4
-3
-2
-1
0
1
2
3
4
5
6
Est
razi
one
dim
iner
ali .
D
Ind
ustr
ieal
imen
tari,
del
le
Ind
ustr
ieco
ncia
rie,
Fab
bric
azio
nede
lla p
asta
-car
ta,
Fab
bric
azio
ne d
ipr
odot
ti ch
imic
i e
Fab
bric
azio
ne d
ipr
odot
ti de
lla
Fab
bric
azio
ne d
im
acch
ine
ed
Fab
bric
azio
ne d
im
ezzi
di t
rasp
orto
Fab
bric
azio
ne d
im
obili
.D
2005
2006
2007
53
27 aprile 2005
Le previsioni sui settori (base)
Estrazione di minerali .D
Industrie alimentari, delle bevande e del tabacco .D
Industrie tessili e dell'abbigliamento .D
Industrie conciarie, fabbricazione di prodotti in cuoio, pelle e similari .D
Industria del legno e dei prodotti in legno .D
Fabbricazione della pasta-carta, della carta e del cartone, dei prodotti
Fabbricazione di coke, raffinerie di petrolio, trattamento dei
Fabbricazione di prodotti chimici e di fibre sintetiche e artificiali
Fabbricazione di articoli in gomma e materie plastiche .D
2005 1.2 1.5 -1.1 -2.7 2.3 2.4 0.9 0.5 0.82006 2.0 2.5 1.2 -0.5 3.9 3.5 1.3 2.1 3.42007 2.8 3.0 0.9 -0.7 3.9 3.9 2.2 2.2 2.8
Fabbricazione di prodotti della lavorazione di minerali
Metallurgia e fabbricazione di prodotti in metallo .D
Fabbricazione di macchine ed apparecchi meccanici .D
Fabbricazione di macchine elettriche e di apparecchiature
Fabbricazione di mezzi di trasporto .D
Altre industrie manifatturiere .D
Fabbricazione di mobili .D
Produzione e distribuzione di energia elettrica, di gas e
0.4 0.5 1.5 -2.4 -1.7 0.9 1.5 2.62.5 2.9 4.6 0.5 2.6 3.7 3.9 3.92.2 2.5 3.9 -0.2 0.8 2.8 3.3 4.2
54
27 aprile 2005
Contro:• La prima parte (fino alla previsione) è alla frontiera
(proud to be there, but a little insecure): i paper citati sono tutti WP, forse il primo (GFR2002) sta per essere pubblicato.
• La seconda parte, anche se presente in finanza, è del tutto nuova in macro (siamo o no practitioners?).
• C’è un certo grado di empirismo nella determinazione del numero dei fattori (i criteri qui utilizzati sono quelli di BAI e NG 2002), e un po’ anche nella fase di identificazione.
• Occorre ancora fare verifiche della qualità delle previsioni che si determinano. Una cosa ovvia che accade è che facendo scenario sugli shock, la varianza di questi nella parte previsiva scende di molto rispetto alla parte storica.
Pro e contro
55
27 aprile 2005
Pro:A dispetto di queste slide è facile. Consente di avere una previsione coerente sulla cross section considerata (le alternative sono VAR separati per settori o regioni, ma come si mettono insieme?)
Con la stessa “macchina” si possono fare previsioni sui settori e sulle regioni, una volta che la tecnica è padroneggiata ci sono fortissime economie di scala e di scopo.
Pro e contro
56
27 aprile 2005
Bai e Ng (2004) mostrano come l’utilizzo di una struttura fattoriale sia utile per esplorare la presenza di unit root (“pervasive” o “specifiche”) in cross section ampie. Da qui, Eickmeier (2005) mostra come si possa stimare come visto precedentemente un DFM poi integrare i fattori ottenuti ed analizzarne la natura e le possibili relazioni di cointegrazione. Ai fattori stimati viene poi applicato l’apparato sin qui descritto…
Stazionarietà?
57
27 aprile 2005
Riferimenti bibliografici
• Bai J. and S. Ng (2004) ”A panic attack on unit root and cointegration” Econometrica 72 n 4 pp 1127-1177
• Eickmeier S. (2005) “Common stationary and non-stationary factors in the Euro area analyzed in a large scale factor model” Bundesbank DP n02/2005
• Breitung J. (2005) Estimation and inference in Dynamic factor models WP University of Bonn