Threshold mixed data sampling logit model with an application to forecasting US bank failures

Der Artikel stellt ein Schwellenmodell für gemischte Datenstichproben (TM-logit) vor, das darauf ausgelegt ist, die Vorhersage von Bankenzusammenbrüchen in den USA zu verbessern. Traditionelle Logit-Modelle sind zwar effektiv, haben aber Beschränkungen im Umgang mit Daten, die bei unterschiedlichen Frequenzen abgetastet werden, und bei der Erfassung nichtlinearer Beziehungen. Das TM-logit-Modell berücksichtigt diese Probleme, indem es MIDAS-Gewichtung und Schwelleneffekte einbezieht, was eine bessere Vorhersagegenauigkeit ermöglicht. Die Autoren schlagen ein zweistufiges Schätzverfahren vor und entwickeln Teststatistiken, um die Relevanz von Hochfrequenz-Prädiktoren, Schwelleneffekten und Gewichtungsschemata zu bewerten. Darüber hinaus wird das Modell erweitert, um kovariantenabhängige Schwellenwerte zu berücksichtigen, was zusätzliche Flexibilität bietet. Der Artikel enthält auch Monte-Carlo-Simulationen zur Validierung der Leistung des Modells und eine empirische Anwendung zur Vorhersage von US-Bankenzusammenbrüchen, die die überlegene Genauigkeit des Modells, insbesondere bei langfristigen Prognosen, demonstriert.