This thesis considers the estimation of static and dynamic exact factor models inter alia on data sets with an arbitrary pattern of missing data. We also outline the probabilistic principal component analysis of Tipping and Bishop [1999] to estimate static factor models with an isotropic idiosyncratic component, whereby the underlying data is fully observable. Thereafter, the parametric estimation approach of Banbura and Modugno [2010] and Ban ́bura and Modugno [2014] for static and dynamic exact factor models, which can handle an arbitrary fraction of missing data in the observation matrix, is studied step-by- step. The dynamics of the factors is described by a vector autoregressive model of order p. The estimation framework combines the expectation maximisation algorithm with the Kalman filter and the Kalman smoother to obtain the maximum likelihood estimates of the unknown model parameters and the moments of the latent factors. The estimation methodology allows us to handle data sets of economic indicators characterised by different frequencies, publication delays, and sample lengths. To verify the estimation procedure for static and dynamic factor models, a Monte Carlo analysis is implemented. Finally, an empirical application study to forecast the EURO STOXX 50 index is performed.     «

This thesis considers the estimation of static and dynamic exact factor models inter alia on data sets with an arbitrary pattern of missing data. We also outline the probabilistic principal component analysis of Tipping and Bishop [1999] to estimate static factor models with an isotropic idiosyncratic component, whereby the underlying data is fully observable. Thereafter, the parametric estimation approach of Banbura and Modugno [2010] and Ban ́bura and Modugno [2014] for static and dynamic exac...     »

Diese Masterarbeit beschäftigt sich mit der Schätzung statischer und dynamischer exakter Faktorenmodelle, unter anderem bezogen auf Datensätze mit einem beliebigen Muster fehlender Daten. Zudem beschreiben wir die probabilistische Hauptkomponentenanal- yse von Tipping and Bishop [1999] zur Schätzung statischer Faktorenmodelle mit einem isotropischen idiosynkratischen Fehlerterm unter einer vollständig beobachtbaren Datenbasis. Anschließend wird das parametrische Schätzungsverfahren von Ban ́bura and Modugno [2010] und Ban ́bura and Modugno [2014] fu ̈r statische und dynamische Faktoren- modelle, die ein beliebiges Ausmaß an fehlenden Daten aufweisen können, schrittweiße studiert. Die Dynamik der Faktoren wird durch ein vektorautoregressives Model der Ordnung p beschrieben. Das Schätzungsverfahren kombiniert den Expectation-Maximisation- Algorithmus mit dem Kalman-Filter und Kalman-Smoother um Maximum-Likelihood- Schätzer fu ̈r die unbekannten Modellparameter und Momente der latenten Faktoren zu erhalten. Die Schätzungsmethode erlaubt es uns Datensätze ̈okonomischer Indikatoren zu behandeln, die unterschiedliche Frequenzen, Verzo ̈gerungen in der Veröffentlichung und Zeitreihenlängen aufweisen. Um das Schätzungsverfahren fu ̈r statische und dynamische Faktorenmodelle zu verifizieren, wird eine Monte-Carlo-Simulation implementiert. Eine empirische Studie zur Vorhersage des EURO STOXX 50 Index schließ diese Arbeit ab.     «

Diese Masterarbeit beschäftigt sich mit der Schätzung statischer und dynamischer exakter Faktorenmodelle, unter anderem bezogen auf Datensätze mit einem beliebigen Muster fehlender Daten. Zudem beschreiben wir die probabilistische Hauptkomponentenanal- yse von Tipping and Bishop [1999] zur Schätzung statischer Faktorenmodelle mit einem isotropischen idiosynkratischen Fehlerterm unter einer vollständig beobachtbaren Datenbasis. Anschließend wird das parametrische Schätzungsverfahren von Ban ́bura...     »