Fast ML estimation of dynamic bifactor models : an application to European inflation

Generalizamos el algoritmo EM espectral para modelos factoriales dinámicos de Fiorentini, Galesi y Sentana (2014) a modelos bifactoriales con factores tanto globales como regionales. Aprovechamos la raleza de las matrices de coefi cientes de manera que se puedan estimar dichos modelos por máxima verosimilitud con numerosas series de múltiples regiones. También obtenemos expresiones sencillas para los gradientes espectrales y la matriz de información, lo que nos permite utilizar el algoritmo del gradiente cerca del óptimo. Exploramos la capacidad de un modelo con un factor global y tres regionales para capturar la dinámica de la infl ación en 25 países europeos durante 1999-2014 ; We generalise the spectral EM algorithm for dynamic factor models in Fiorentini, Galesi and Sentana (2014) to bifactor models with pervasive global factors complemented by regional ones. We exploit the sparsity of the loading matrices so that researchers can estimate those models by maximum likelihood with numerous series from multiple regions. We also derive convenient expressions for the spectral scores and information matrix, which allows us to switch to the scoring algorithm near the optimum. We explore the ability of a model with one global factor and three regional factors to capture infl ation dynamics across 25 European countries in the period 1999-2014