Bayesiansk analys av dynamiska faktormodeller

Vid prognostisering av makroekonomiska storheter, som t.ex. BNP-tillväxt och inflation, finns ofta ett mycket stort antal potentiellt informativa tidsserier av varierande kvalitet att tillgå. Om delar av denna information ignoreras, riskeras sämre och felaktiga prognoser. Å andra sidan är det mycket svårt, både från en statistisk och beräkningsteknisk synvinkel, att på ett effektivt sätt utnyttja och sammanfatta alla tidsserierna. I projektet studeras så kallade dynamiska faktormodeller, en typ av modeller som på senare tid sett alltmer användning inom tillämpad nationalekonomisk forskning. Dynamiska faktormodeller kännetecknas av att de sammanfattar informationen i en stor mängd variabler i ett fåtal faktorer och att de, till skillnad från traditionell faktoranalys, tar hänsyn till beroendet mellan observationerna i tidsseriedata. Mer specifikt studeras effektiva prognosmetoder, där effektivitet avser både statistisk och beräkningsmässig effektivitet, samt metoder som kan ge vägledning vid specificeringen av modellen med fokus på hur många faktorer som ska användas och hur tidsberoendet, dynamiken, ska modelleras.

Publikationer

Karlsson, Sune, (2013), ‘Forecasting with Bayesian Vector Autoregressions’, ch. 15, p 791-897 in Elliot, G. and Timmernann, A., eds, Handbook of Economic Forecasting, vol 2B, Elsevier

Ding, Shutong, (2014), Model Choice in Bayesian VAR Models, doktorsavhandling, Örebro universitet.

Karlsson, S. (2017). Corrigendum to “Bayesian reduced rank regression in econometrics” [J. Econometrics 75 (1996) 121–146]. Journal of Econometrics, 201 (1), 170-171.