Finite sample performance of small versus large scale dynamic factor models

Abstract

We examine the finite-sample performance of small versus large scale dynamic factor models. Our Monte Carlo analysis reveals that small scale factor models out-perform large scale models in factor estimation and forecasting for high levels of cross-correlation across the idiosyncratic errors of series belonging to the same category, for oversampled categories and, especially, for high persistence in either the common factor series or the idiosyncratic errors. Using a panel of 147 US economic indicators, which are classified into 13 economic categories, we show that a small scale dynamic factor model that uses one representative indicator of each category yields satisfactory or even better forecasting results than a large scale dynamic factor model that uses all the economic indicators

Examinamos las propiedades en pequeña muestra de modelos dinámicos factoriales de pequeña escala frente a modelos de dimensiones grandes. Nuestro análisis de Montecarlo revela que los modelos de pequeña escala se ajustan mejor en la estimación de los factores y predicen mejor cuando existen altos niveles de correlación entre los errores idiosincráticos de la series que pertenecen a la misma categoría económica, cuando existe una sobrerrepresentación de una determinada categoría y, especialmente, cuando existe alta persistencia del factor común o de los errores idiosincráticos. Usando un panel de 147 indicadores económicos para EEUU, que se clasifican en 13 categorías, mostramos que un modelo dinámico de pequeña escala con una sola serie por categoría da mejor resultado en predicción que usar todos los indicadores