Как можно выделять "главные компоненты" (PCA) из макрофинансовых данных?
Вы знаете, что у макроэкономистов короткие ряды (в России около 30 лет месячных данных, то есть 300 точек), при этом разных видов данных много (от инфляции и роста ВВП до курса валюты). Hamilton с коллегами предлагает новый способ автоматически выделять главные компоненты из этих многих серий данных (январь 2024). Основное отличие от других упражнений - применение OLS регрессий с лагами к любого вида, даже нестационарным, переменным, и затем выделение общей компоненты из остатков этих регрессий.
Авторы показывают, что итоговая "главная компонента" разумно работает со стационарными данными и сериями, стационарными в первых разностях. Наверное, для "сложных" данных с большой глубиной нестационарности метод не очень сработает, но в макрофинансовых данных работает хорошо. Итоговая переменная, видимо, хорошо связана с бизнес-циклом в США.
Вывод: интересный метод, будем пробовать. Hamilton вообще новатор последних лет - помним его статью "Why You Should Never Use the Hodrick-Prescott Filter". Кажется, наше со студенткой упражнение в этом году показывает, что в зависимости от детрендирования получаются очень разные результаты для оценки инфляционного процесса...
#Hamilton #US #Forecasts
Вы знаете, что у макроэкономистов короткие ряды (в России около 30 лет месячных данных, то есть 300 точек), при этом разных видов данных много (от инфляции и роста ВВП до курса валюты). Hamilton с коллегами предлагает новый способ автоматически выделять главные компоненты из этих многих серий данных (январь 2024). Основное отличие от других упражнений - применение OLS регрессий с лагами к любого вида, даже нестационарным, переменным, и затем выделение общей компоненты из остатков этих регрессий.
Авторы показывают, что итоговая "главная компонента" разумно работает со стационарными данными и сериями, стационарными в первых разностях. Наверное, для "сложных" данных с большой глубиной нестационарности метод не очень сработает, но в макрофинансовых данных работает хорошо. Итоговая переменная, видимо, хорошо связана с бизнес-циклом в США.
Вывод: интересный метод, будем пробовать. Hamilton вообще новатор последних лет - помним его статью "Why You Should Never Use the Hodrick-Prescott Filter". Кажется, наше со студенткой упражнение в этом году показывает, что в зависимости от детрендирования получаются очень разные результаты для оценки инфляционного процесса...
#Hamilton #US #Forecasts
NBER
Principal Component Analysis for Nonstationary Series
This paper develops a procedure for uncovering the common cyclical factors that drive a mix of stationary and nonstationary variables. The method does not require knowing which variables are nonstationary or the nature of the nonstationarity. An application…