5.1 Decomposing the LMCI into Contr

5.1 Decomposing the LMCI into Contributions of Individual Indicators
We can gain more insight into the determinants of the LMCI estimates by explicitly computing
the dependence of the estimated LMCI path on the data for each indicator. Specifically, given
the linear-Gaussian specification for our dynamic factor model, the paths of the LMCI and the
indicators have a joint multivariate normal distribution. As a general property of such distributions,
the expected path of the LMCI, conditional on the data, is linear in the indicators. Thus,
we can decompose the estimated LMCI path into contributions from each indicator, holding
the remaining indicators constant. As the estimate is two-sided, in principle the entire history

ผลลัพธ์ (ไทย) 2:

5.1 Decomposing LMCI เข้าสู่การมีส่วนร่วมของบุคคลตัวชี้วัด
เราสามารถได้รับความเข้าใจมากยิ่งขึ้นในปัจจัยของการประมาณการ LMCI อย่างชัดเจนโดยการคำนวณ
การพึ่งพาอาศัยกันของเส้นทาง LMCI ประมาณข้อมูลสำหรับแต่ละตัวบ่งชี้ โดยเฉพาะได้รับ
ข้อมูลเชิงเส้น Gaussian สำหรับรูปแบบปัจจัยแบบไดนามิกของเรา, เส้นทางของการ LMCI และ
ตัวชี้วัดที่มีการกระจายปกติร่วมกันหลายตัวแปร ในฐานะที่เป็นสถานที่ให้บริการทั่วไปของการกระจายดังกล่าว
คาดว่าเส้นทางของ LMCI, เงื่อนไขในข้อมูลที่เป็นเส้นตรงของตัวชี้วัด ดังนั้น
เราสามารถย่อยสลายเส้นทาง LMCI โดยประมาณเป็นเงินอุดหนุนจากแต่ละตัวบ่งชี้ถือ
ตัวชี้วัดที่เหลืออยู่อย่างต่อเนื่อง จากการประมาณเป็นสองด้านในหลักการประวัติศาสตร์ทั้งหมด

ผลลัพธ์ (ไทย) 3:

5.1 ย่อยสลายที่ lmci บริจาคของตัวชี้วัดรายบุคคล
เราสามารถเพิ่มความเข้าใจมากขึ้นเป็นปัจจัยของ lmci ประมาณการโดยอย่างชัดเจนคอมพิวเตอร์
การพึ่งพาอาศัยกันของประมาณ lmci เส้นทางข้อมูลสำหรับแต่ละตัวบ่งชี้ โดยเฉพาะให้
สเปคเสียนเชิงเส้นสำหรับรูปแบบองค์ประกอบแบบไดนามิกของเรา เส้นทางของ lmci และ
ตัวชี้วัดที่ได้ร่วมแบบปกติ การแจกแจง เป็นทรัพย์สินทั่วไป เช่น การแจกแจง
คาดว่าเส้นทางของ lmci เงื่อนไขในข้อมูลที่เป็นเชิงเส้นในตัวชี้วัด ดังนั้น
เราสามารถย่อยสลายประมาณ lmci เส้นทางบริจาคจากแต่ละตัวบ่งชี้ที่ถือ
ตัวชี้วัดที่เหลือคงที่ เป็นประมาณการแบบสอง หลักการในประวัติศาสตร์ทั้งหมด