This thesis considers the estimation of factor-augmented vector autoregression models which were introduced in Bernanke et al. (2005) in order to measure the dynamic effects of monetary policy. At the beginning, we show how dynamic factor models can be estimated by the non-parametric principal component approach and the fully parametric EM algorithm method, before we look at FAVAR models. For the principal component analysis, we follow Stock and Watson (2002), and for the EM algorithm, we use the papers of Banbura and Modugno (2010) and Banbura and Modugno (2014). Thereafter, we define the FAVAR model as an extension of the dynamic factor model since we include observable components in the state variable. The two previously derived estimation procedures for factor models need to be adjusted in order to estimate FAVAR models because we have to take care of the observable components in the state variables. The principal component approach for factor models is modified according to Bernanke et al. (2005), and for the EM algorithm approach we apply the paper of Bork (2009). Then, the two estimation procedures for FAVAR models are verified within a Monte Carlo analysis. In the end, an empirical application study to measure the dynamic effects of monetary policy analysis is performed. For the analysis, we calculate impulse response functions and forecast error variance decompositions.     «

This thesis considers the estimation of factor-augmented vector autoregression models which were introduced in Bernanke et al. (2005) in order to measure the dynamic effects of monetary policy. At the beginning, we show how dynamic factor models can be estimated by the non-parametric principal component approach and the fully parametric EM algorithm method, before we look at FAVAR models. For the principal component analysis, we follow Stock and Watson (2002), and for the EM algorithm, we use th...     »

In dieser Masterarbeit beschäftigen wir uns mit der Schätzung von Faktor-Augmentierten Vektorautoregressiven Modellen, kurz FAVAR. Diese Art von Modellen wurde als erstes in Bernanke et al. (2005) beschrieben und eingesetzt. Sie nutzten diese, um die dynamischen Auswirkungen durch die Zinspolitik zu messen. Da FAVAR Modelle eine Erweiterung der dynamischen Faktorenmodellen sind, beschreiben wir zu Beginn dieser Arbeit, wie wir die dynamischen Faktorenmodelle durch die Hauptkomponentenanalyse und durch den Einsatz des EM Algorithmus schätzen können. Für die Hauptkomponentenanalyse, die eine nicht parametrisierte Methode ist, folgen wir der Arbeit von Stock and Watson (2002). Im Gegensatz dazu ist der EM Algorithmus eine vollständig parametrisierte Methode. Für den EM Algorithmus nutzen wir die Artikel von Banbura and Modugno (2010) und Banbura and Modugno (2010). Anschließend beschreiben wir den exakten Aufbau von FAVAR Modellen und geben an, wie die zuvor hergeleiteten Verfahren zur Schätzung von dynamischen Faktorenmodellen modifiziert werden müssen, damit mit ihnen FAVAR Modelle geschätzt werden können. Die Hauptkomponentenanalyse wird dabei anhand der Arbeit von Bernanke et al. (2005) angepasst. Für das EM Algorithmus Verfahren nutzen wir den Artikel von Bork (2009). Beide Schätzverfahren werden im Rahmen einer Monte Carlo Analyse auf ihre Richtigkeit überprüft. Zum Schluss wenden wir das Modell an einem empirischen Datensatz an, um die Auswirkung der Zinspolitik zu messen. Dabei vergleichen wir die beiden Schätzverfahren, indem wir für das jeweilige Verfahren Impuls-Antwort-Funktionen und Varianzzerlegungen der Vorhersagefehler berechnen.     «

In dieser Masterarbeit beschäftigen wir uns mit der Schätzung von Faktor-Augmentierten Vektorautoregressiven Modellen, kurz FAVAR. Diese Art von Modellen wurde als erstes in Bernanke et al. (2005) beschrieben und eingesetzt. Sie nutzten diese, um die dynamischen Auswirkungen durch die Zinspolitik zu messen. Da FAVAR Modelle eine Erweiterung der dynamischen Faktorenmodellen sind, beschreiben wir zu Beginn dieser Arbeit, wie wir die dynamischen Faktorenmodelle durch die Hauptkomponentenanalyse und...     »