Sufficient forecasting using factor models

ما پیش بینی یک سری زمانی زمانی را در نظر می گیریم که تعداد زیادی از پیش بینی کننده ها و یک اثر غیرخطی احتمالی وجود دارد. ابعاد ابتدا توسط یک مدل فاکتور با ابعاد بزرگ اجرا شده توسط تحلیل مولفه اصلی کاهش یافت. با استفاده از عوامل استخراج شده، ما یک روش پیش بینی جدیدی به نام پیش بینی کافی ارائه می دهیم که مجموعه ای از شاخص های پیش بینی کافی را ارائه می دهد که از پیش بینی کننده های ابعادی پیش بینی شده است تا توان پیش بینی های اضافی را ارائه دهند. اگر یک مدل فاکتور نیمه پارامتری فرض شود، تجزیه و تحلیل اجزای اصلی پیش بینی شده برای افزایش دقت فاکتورهای تعیین شده مورد استفاده قرار خواهد گرفت. روش ما نیز با استفاده از رگرسیون کافی مقطعی با استفاده از عوامل استخراج شده مورد استفاده قرار می گیرد. ارتباط بین پیش بینی کافی و معماری یادگیری عمیق بیان شده است. پیش بینی کافی به درستی برآورد شاخص های پیش بینی عوامل زمینی حتی در صورت وجود یک عملکرد پیش بینی غیر پارامتری. روش پیشنهادی با کاهش داده های مقطعی از طریق مدل های عامل، کاهش ابعاد کیفیت را به رژیمهای بعدی می افزاید. ما خواص آسیمپتیکی را برای تخمین محدوده زیربنایی مرکزی که توسط این جهت پیش بینی شده است و همچنین برآوردهای شاخص های پیش بینی کافی می باشد، دریافت می کنیم. ما همچنان نشان می دهیم که روش طبیعی اجرای رگرسیون چندگانه هدف بر روی عوامل برآورد شده، برآورد خطی است که در واقع به این زیر فضای مرکزی می افتد. روش و تئوری ما اجازه می دهد تعداد پیش بینی کننده ها بیشتر از تعداد مشاهدات باشد. در نهایت نشان می دهیم که پیش بینی کافی پیش بینی خطی در هر دو مطالعه شبیه سازی و یک مطالعه تجربی از پیش بینی متغیرهای کلان اقتصادی را بهبود می بخشد.