美联储论文：即时预测模型的花哨功能哪些真正重要？

Freddy García-Albán和Manuel González-Astudillo本文研究了贝叶斯动态因子模型（Bayesian dynamic factor model）的哪些特征能够改善美国GDP的即时预测（nowcasts），以及它们的贡献是否因历史时期而异。

利用包含25个序列的伪实时信息集（pseudo-real-time information sets），我们估计了动态异质性（dynamic heterogeneity）、随机波动率（stochastic volatility）、时变长期增长（time-varying long-run growth）以及乘性离群值调整（multiplicative outlier adjustment）的16种组合。

我们使用平衡配对析因对比（balanced paired factorial contrasts），评估了它们对点预测、密度预测和分位数得分预测的边际贡献。动态异质性改善了点预测、密度预测和尾部预测，并且它是唯一一个在所有三个标准下都能持续发挥作用的特征。

随机波动率在某些时期改善了密度预测和尾部预测，但并未持续改善点预测。时变长期增长在某些时期降低了平方误差损失，但恶化了尾部预测。离群值调整总体上并没有改善点预测或密度预测，它在大流行期间对上尾分位数得分产生了有利但估计不精确的影响，而在大流行之后则恶化了这些得分。