Aggregate versus disaggregate information in dynamic factor models

ما نمونه های محدودی از مدل های فاکتور پویا را که از داده های جمع و یا تقسیم شده استفاده می کنند، مورد بررسی قرار می دهیم، که در آن، تقسیم بندی دقیق تر از مفاهیم سرشماری مجموعه ای کوچک از دسته بندی های اقتصادی متکی است. تجزیه و تحلیل مونت کارلو ما نشان می دهد که استفاده از مجموعه ها با بزرگترین میانگین همبستگی درون گروهی، استفاده از داده های جمع کننده ای را برای تخمین و پیش بینی عامل ها در چندین موارد بهتر می کند. این امر برای سطوح بالای همبستگی متقابل در خطاهای خاص سری که متعلق به یک دسته هستند، برای دسته های بیش از حد نمونه و به ویژه برای سطوح پایدار در هر دو عامل مشترک یا اشتباهات خاص است. با این حال، هنگامی که سریهای هدف پایدار هستند، سود پیش بینی بطور قابل توجهی کاهش می یابد. این امر به طور بالقوه می تواند توضیح دهد چرا که در صورت استفاده از پانل متعادل متعادل از مدل فاکتور سهام واتسون، که داده های ایالات متحده را به 13 دسته اقتصادی طبقه بندی می کند، هیچ رتبه بندی واضح بین روش های جمع و تقسیم نشده وجود ندارد.