[論文レビュー] sparseDFM: An R Package to Estimate Dynamic Factor Models with Sparse Loadings

Luke M. Mosley, Tak-Shing Chan+1 more|arXiv (Cornell University)|Mar 23, 2023

Monetary Policy and Economic Impact被引用数 4

ひとこと要約

本稿では、l1正則化を施した期待値最大化（EM）アルゴリズムを用いた新規のアルゴリズムにより、スパースなローディング行列を推定する sparseDFM Rパッケージを紹介する。この手法により、潜在的要因を駆動する主要な変数を特定でき、解釈性が向上する。実世界の英国の貿易・インフレーションデータへの応用において、従来のDFMに比べ、平均絶対誤差を最大20%まで低減し、現在時刻予測（nowcasting）の精度が向上した。

ABSTRACT

sparseDFM is an R package for the implementation of popular estimation methods for dynamic factor models (DFMs) including the novel Sparse DFM approach of Mosley et al. (2023). The Sparse DFM ameliorates interpretability issues of factor structure in classic DFMs by constraining the loading matrices to have few non-zero entries (i.e. are sparse). Mosley et al. (2023) construct an efficient expectation maximisation (EM) algorithm to enable estimation of model parameters using a regularised quasi-maximum likelihood. We provide detail on the estimation strategy in this paper and show how we implement this in a computationally efficient way. We then provide two real-data case studies to act as tutorials on how one may use the sparseDFM package. The first case study focuses on summarising the structure of a small subset of quarterly CPI (consumer price inflation) index data for the UK, while the second applies the package onto a large-scale set of monthly time series for the purpose of nowcasting nine of the main trade commodities the UK exports worldwide.

研究の動機と目的

• 古典的動的因子モデル（DFM）における密なローディング行列が、観測変数と潜在的要因の関係を曇らせるという解釈性の問題に対処すること。
• EMアルゴリズムを用いた正則化された準最尤推定により、スパースなDFMを推定する計算効率の良いRパッケージを開発すること。
• 実世界の応用におけるスパースローディングの実用的利点を示すこと、特に経済の現在時刻予測とインフレーションデータの要約に焦点を当てる。
• 高次元時系列データに適用可能なスケーラブルで保守可能なツールを研究者および実務家に提供すること。データの混合周波数および欠損値に対応できる。

提案手法

• 本手法は、l1ノルム正則化を施した期待値最大化（EM）アルゴリズムを用い、スパースなローディング行列を推定することで、ゼロ成分の増加と解釈性の向上を促進する。
• アルゴリズムは、スパarsity制約下で因子負荷、因子、誤差分散を同時に推定する、正則化された準最尤推定フレームワークを採用する。
• 計算効率を高めるために、C++を用い、Armadilloライブラリを介してカルマンフィルタリングおよびスムージングを実装し、多次元および単変量のカルマンフィルタを両方サポートする。
• EMフレームワーク内では、ADMM（交替方向乗数法）の更新ステップを用いて、スパース推定プロセスの収束を加速する。
• 誤差項には、独立同分布のホワイトノイズと自己回帰型（AR(1)）の系列相関の2種類の仮定をサポートする。
• モデルチューニングには、交差検証または拡張ウィンドウ手順を用い、最適なl1ペナルティパラメータを選択する。

Figure 1 : Output of missing_data_plot(data) showing the amount of missing data in the inflation example.

実験結果

リサーチクエスチョン

• RQ1 動的因子モデルにおけるスパースローディングは、特定の寄与変数を同定することで、因子構造の解釈性を向上させることができるか？
• RQ2 提案されたスパースDFM推定手法は、特にリアルタイムの現在時刻予測において、従来のDFMを上回る予測精度を示すか？
• RQ3 高次元設定下において、EM-スパースアルゴリズムの計算効率は、標準的なDFM推定と比べてどの程度優れているか？
• RQ4 スパースローディングは、マクロ経済および貿易データにおいて、意味のある経済的グループ化をどの程度特定できるか？

主な発見

• スパースDFMアプローチにより、スパースなローディング行列が得られ、ユーザーが特定の因子と明確な変数グループを関連付けることが可能になり、解釈性が著しく向上した。
• 英国貿易の現在時刻予測の事例研究では、スパースDFMが古典的DFMに比べ、予測期間1では平均絶対誤差を20.5%、期間2では18.2%削減した。
• 48か月にわたる疑似リアルタイムの現在時刻予測の結果、スパースDFMは誤差分布がきつくなり、中央値誤差が古典的DFMに比べ10〜15%低かった。
• EM-スパースアルゴリズムは安定した収束と計算効率を達成しており、混合周波数および欠損データを含む大規模データセットへのスケーラブルな推定を可能にした。
• 英国CPIデータに関する事例研究では、スパースDFMが特定のインフレーションカテゴリに関連する因子を的確に同定し、構造的解釈性を向上させた。
• sparseDFM RパッケージはCRANに公開されており、モデル適合、予測、診断の機能を備えている。今後のバージョンでは、強化された可視化機能およびモデリングの柔軟性が計画されている。

Figure 2 : Output of plot() with type = “loading.heatmap” showing a heatmap of the estimated loadings from Sparse DFM fit on the inflation data.