使用Dynamic Factor Model预测土耳其GDP增长遇异常求助

1. 2022Q4未被输出的本质原因 #

DFM的混合频率处理逻辑中，样本内缺失值与未来预测值的界定是关键：

• 季度GDP数据截至2022Q3（对应时间戳为2022-09-30），月度数据截至2022-12-31。模型会将2022Q4的GDP视为样本内的缺失观测，而非"未来预测目标"。forecast()方法仅生成样本结束时间（2022-12-31）之后的预测值，因此2022Q4不会被包含在内。
• 解决方法：通过模型的滤波/平滑结果提取样本内缺失的2022Q4值，而非调用forecast()。

2. 季度转月度建模效果差的根源 #

手动将季度GDP转为月度序列的方式存在两个致命缺陷：

• 信息稀疏性：月度序列中仅季度末月有值，其余均为NaN，模型无法有效学习月度指标与GDP的动态关联，导致因子提取偏差。
• 经济逻辑错误：季度GDP是季度累计或平均的结果，直接赋值给季度末月不符合经济意义，会引入无意义噪声。
• 正确做法：保持混合频率建模，无需手动转换频率。DFM本身支持不同频率的序列输入，只需确保时间戳对齐（季度数据时间戳设为季度最后一天，月度数据为每月最后一天），模型会自动处理频率融合。

3. 模型设置的潜在优化点 #

• 因子块划分不合理：当前设置2个因子分2个块，可能割裂了GDP与核心月度指标的关联。尝试调整因子块，将GDP与工业生产类指标（如sanayiüretim、sanayi）归为同一因子块，确保捕捉经济变量的共动性。
• 样本期过长：样本从2008年开始，土耳其经济在此后经历多次结构变化（如汇率危机、高通胀），过长的样本会引入过时的经济关系，降低模型对近期数据的拟合能力。建议缩短样本期至2018年后，聚焦近期经济动态。

1. 对齐时间戳：将季度GDP的时间戳调整为对应季度最后一天，例如：

   import pandas as pd
   quarterly_data['date'] = pd.to_datetime(quarterly_data.index.str.replace('Q', '-') + '-01') + pd.offsets.QuarterEnd()
   quarterly_data.set_index('date', inplace=True)
   

2. 提取2022Q4的GDP估计值：

   # 拟合模型后获取平滑结果
   res = mod.smooth()
   # 提取2022Q4对应的GDP同比估计值
   q4_2022_gdp = res.smoothed_observations['gdpyoy'].loc['2022-12-31']
   

3. 调整模型结构：尝试将所有变量放在同一因子块，或根据经济逻辑划分块，并测试不同因子数量（1-3个）的效果：

   # 示例：单因子模型，所有变量归为一个块
   from statsmodels.tsa.statespace.dynamic_factor import DynamicFactorModel
   mod = DynamicFactorModel(endog=merged_data, k_factors=1, factor_order=1, idiosyncratic_ar=1)
   

内容的提问来源于stack exchange，提问作者Oğuz Underwood