Implicaciones de modelos de factores dinámicos para el análisis VAR

análisis de vectores autorregresivos ( VAR o análisis ) es una manera estadísticamente válida de evaluar el desarrollo conjunto de varios conjuntos de series de tiempo. Una serie temporal es un conjunto de datos estadísticos que muestra cómo un fenómeno específico cambia cuantitativamente con respecto al tiempo. Cuando hay varios conjuntos de series de tiempo , los estadísticos pueden usar el análisis de vectores autorregresivos, como una forma - teoría menos de investigar las relaciones entre las diferentes series de tiempo . Recientemente, algunos estadígrafos han empezado a introducir los modelos factoriales dinámicos (modelos que utilizan índices de difusión en la construcción matemática de los modelos de vectores autorregresivos ) . Esta introducción ha cambiado cómo se ejecutan los análisis autorregresivos y dado nuevas implicaciones en el campo del análisis de series de tiempo . Complejidad

Utilizando modelos factoriales dinámicos en comparación con otros métodos de análisis de vectores autorregresivos, significa que habrá un gran número de factores que intervienen . Mientras que otros modelos pueden simplificar el análisis autorregresivos , derribando los análisis y conclusiones finales del análisis de dos o tres variables , modelos factoriales dinámicos tienden a incluir una cantidad fuerte de variables, con lo que el modelo y el análisis mucho más complejo. Mientras que algunos investigadores sugieren que debería reducir el número de factores de finales, el modelo resultante pierde su valor predictivo.
Previsibilidad

La implicación asociada con la opción de utilizar un modelo factorial dinámico con respecto a otros modelos es que el investigador o la persona que aplica el modelo busca previsibilidad. Modelos de factores dinámicos son bien conocidos por tener cantidades mayores que el promedio de precisión en comparación con diferentes modelos que intentan predecir el mismo fenómeno.
Tamaño de datos

una de las consecuencias que se realicen en la aplicación de un modelo de factores dinámicos a los métodos autorregresivos vectoriales es que el conjunto de datos será especialmente grande. Por lo general, para los conjuntos de datos más pequeños , no habría ninguna razón para crear factores dinámicos , como un puñado de parámetros predictivos simples sería suficiente. Por lo tanto , los que se aplican los modelos factoriales dinámicos al análisis de series de tiempo están asumiendo que se va a trabajar con un gran conjunto de datos. Del mismo modo, los informes de lectura que utilizan los modelos factoriales dinámicos deben saber que los conjuntos de datos con la que los investigadores estaban trabajando deben haber sido bastante grande.
Flexibilidad

Uno de los más implicaciones interesantes de la aplicación de modelos dinámicos de factor de vectores autorregresivos es la capacidad para dar cabida a los nuevos datos en el modelo . Modelos de factores dinámicos se pueden ejecutar y volver a ejecutar cuando llegan datos nuevos , lo que aumenta la previsibilidad del modelo. Esto es algo que no se puede lograr con la regresión normal.