DFM -Statsmodels zeitgenössische Effekte ⇐ Python

[Anonymous]

Ich arbeite mit einem DynamicFactor -Modell in StatsModels, das zwei monatliche Variablen (x1, x2) und eine vierteljährliche Variable (y) enthält. Die vierteljährliche Variable wird nur alle drei Monate (z. B. März, Juni, September, Dezember) beobachtet, und der Rest der Zeit ist es auf Nan gesetzt. Der Nowcast für Y im Dezember ändert sich jedoch nicht nach diesem Update, obwohl die neuen monatlichen Daten theoretisch den latenten Faktor und damit die Prognose beeinflussen sollten. Ist dies eine Einschränkung, wie StatsModels mit Mischfrequenzdaten umgehen, oder fehlt mir etwas in der Art und Weise, wie das Modell Vorhersagen aktualisiert?

Code: Select all

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.statespace.dynamic_factor import DynamicFactor

# ------------------------------------------
# 1. Simulate data
# ------------------------------------------

np.random.seed(42)
monthly_dates = pd.date_range(start="2020-01-01", periods=48, freq="M")  # 4 years of data
quarterly_dates = monthly_dates[::3]

factor = np.cumsum(np.random.normal(0, 0.5, len(monthly_dates)))
x1 = factor + np.random.normal(0, 0.3, len(monthly_dates))
x2 = 0.8 * factor + np.random.normal(0, 0.3, len(monthly_dates))
y = pd.Series(0.6 * factor[::3] + np.random.normal(0, 0.2, len(quarterly_dates)),  index=quarterly_dates)

# Full dataset with NaNs in y where there is no quarterly observation
df = pd.DataFrame(index=monthly_dates)
df["x1"] = x1
df["x2"] = x2
df["y"] = np.nan
df.loc[y.index, "y"] = y

# ------------------------------------------
# 2. Estimate model with data up to November
# ------------------------------------------

df_train = df.iloc[:-1].copy()  # Up to November
df_new_month = df.iloc[[-1]].copy()  # Only December (with y = nan)

mod = DynamicFactor(df_train, k_factors=1, factor_order=1, error_order=1)
res = mod.fit(disp=False)

# Nowcast for December before incorporating December
pred_old = res.get_prediction(start='2023', end='2024')
nowcast_before = pred_old.predicted_mean["y"]

# ------------------------------------------
# 3. Update only with December (x1 and x2), without re-estimating
# ------------------------------------------

# Create new observation with December only in x1 and x2 (y remains NaN)
updated_data = pd.concat([df_train, df_new_month])

# Apply the already estimated model to the new data
res_updated = res.apply(updated_data)

# Get new nowcast for December
pred_new = res_updated.get_prediction(start='2023', end='2024')
nowcast_after = pred_new.predicted_mean["y"]

# ------------------------------------------
# 4. Show results
# ------------------------------------------
print("Nowcast before adding December data:", nowcast_before['2023-12-31'])
print("Nowcast after adding December data:", nowcast_after['2023-12-31'])