14% for h = 3, and 22% for h = 12.

14% for h = 3, and 22% for h = 12. We take rU to be one, which facilitates interpretation of the results. Thus, the macro uncertainty factor is simply the first principal component and
is denoted F ̂_t^u
Figure 2 plots F ̂_t^u (h) over time for h = 1; 3; and 12, along with the NBER recession dates. The matching horizontal bars correspond to 1.65 standard deviations above the mean for each series. Figure 2 shows that macro uncertainty is clearly countercyclical: the correlation of F ̂_t^u (h) with industrial production growth is -0.65, -0.61, and -0.56 for h = 1; 3; and 12, respectively. The uncertainty factor exhibits spikes around the 1973-74 and 1981-82 recessions, as well as the Great Recession of 2007-09. Looking across all uncertainty forecast horizons h = 1, 3, and 12, the 2007-09 recession clearly represents the most striking episode of heightened uncertainty since 1960. But, these three episodes are also the only instances when F ̂_t^u (h) exceeds, or comes close to exceeding, 1.65 standard deviation above its mean, implying far fewer uncertainty episodes than other popular proxies for uncertainty, as we show below. For comparison, Figure (3) displays the same time-series behavior, but for the case when macroeconomic uncertainty is computed as the simple cross-sectional average of individual uncertainty estimates:
U ̂_t^y (h)=1/N_y ∑_(j=1)^(N_y)▒U ̂_jt^y
The results using this measure are quite similar to those using the PCA latent factor estimation.

Uncertainty is defined above as the volatility of a purely unforecastable error. Uncertainty is therefore potentially influenced by macro uncertainty shocks, but it is also potentially in-fluenced by idiosyncratic uncertainty shocks as well as shocks to errors that are entirely homoskedastic. To assess the relative importance of macro uncertainty F ̂_t^u (h) in total un-certainty, we compute, for each of the 132 series in the macro dataset, and for h = 1; 3; and 12, R_jt^2(h) as defined in (14), averaged over t. This exercise is performed for the full sample, for recession months, and for non-recession months.12 The larger is R_j^2 (h), the more important is macro uncertainty in explaining total uncertainty.

Figure 4 shows that the importance of macro uncertainty grows as the forecast horizon h increases: on average across all series it is almost twice as high for h = 3 and h = 12 than it is for h = 1. Figure 4 also shows that macro uncertainty accounts for a quantitatively large fraction of the variation in total uncertainty. For example, when the uncertainty horizon is h = 3 months, the common macro uncertainty factor we estimate explains an average (across all series) of 15% of the variation in uncertainty over the full sample. But it explains a much larger 23% in recessions. The results are very similar for the h = 12 case.

Kết quả (Việt) 1:

14% cho h = 3, và 22% cho h = 12. Chúng tôi mất rU là một, mà tạo điều kiện cho giải thích kết quả. Do đó, các yếu tố không chắc chắn vĩ mô là chỉ đơn giản là thành phần chính đầu tiên vàlà ký hiệu F ̂_t ^ uHình 2 lô F ̂_t ^ u (h) trong thời gian cho h = 1; 3; và 12, cùng với NBER suy thoái ngày. Các thanh ngang kết hợp tương ứng với độ lệch chuẩn 1,65 ở trên có nghĩa là cho mỗi loạt. Hình 2 cho thấy rằng sự không chắc chắn vĩ mô là rõ ràng hợp: các mối tương quan của F ̂_t ^ u (h) với tốc độ tăng trưởng sản xuất công nghiệp là-0.65,-0.61, và-0.56 cho h = 1; 3; và 12, tương ứng. Các yếu tố không chắc chắn cuộc triển lãm gai xung quanh thành phố suy thoái năm 1973-74 và 1981-82, cũng như các cuộc Đại suy thoái của năm 2007-09. Tìm kiếm trên tất cả các sự không chắc chắn thời horizons h = 1, 3, và 12, suy thoái kinh tế năm 2007-09 rõ ràng đại diện cho chương trình nổi bật nhất của sự không chắc chắn cao từ năm 1960. Tuy nhiên, ba tập phim cũng là duy nhất trường hợp khi F ̂_t ^ u (h) vượt quá, hay đến gần với vượt quá, độ lệch chuẩn 1,65 ở trên của nó có nghĩa là, ngụ ý đến nay ít hơn không chắc chắn tập hơn proxy khác phổ biến cho sự không chắc chắn, như chúng tôi hiển thị dưới đây. Để so sánh, hình (3) sẽ hiển thị hành vi chuỗi thời gian tương tự, nhưng cho trường hợp khi kinh tế vĩ mô không chắc chắn được tính như đơn giản là mặt cắt của sự không chắc chắn cá nhân ước tính: U ̂_t ^ y (h) = 1/N_y ∑_(j=1) ^ (N_y) ▒U ̂_jt ^ y Kết quả sử dụng biện pháp này là khá tương tự như những người sử dụng dự toán yếu tố tiềm ẩn PCA. Không chắc chắn định nghĩa ở trên là sự biến động của một lỗi hoàn toàn unforecastable. Không chắc chắn do đó có khả năng chịu ảnh hưởng của vĩ mô không chắc chắn những cú sốc, nhưng nó là cũng có khả năng là trong fluenced của chấn động không chắc chắn mang phong cách riêng và những cú sốc để lỗi được hoàn toàn homoskedastic. Để đánh giá tầm quan trọng tương đối của vĩ mô không chắc chắn F ̂_t ^ u (h) trong tất cả liên hợp quốc-chắc chắn, chúng tôi tính toán, cho mỗi dòng 132 trong bộ dữ liệu vĩ mô, và cho h = 1; 3; và 12, R_jt^2(h) theo quy định tại (14), Trung bình trong t. Tập thể dục này được thực hiện cho đầy đủ mẫu, suy thoái kinh tế tháng, và cho phòng không suy thoái kinh tế months.12 lớn hơn là R_j ^ 2 (h), quan trọng hơn là vĩ mô không chắc chắn trong việc giải thích sự không chắc chắn tất cả.Hình 4 cho thấy tầm quan trọng của sự không chắc chắn vĩ mô phát triển khi đường chân trời dự h tăng: trung bình trên tất cả loạt nó là gần như gấp đôi cao cho h = 3 và h = 12 hơn là cho h = 1. Hình 4 cũng cho thấy rằng vĩ mô không chắc chắn tài khoản cho một phần lớn theo các biến thể trong sự không chắc chắn tất cả. Ví dụ, khi đường chân trời không chắc chắn là h = 3 tháng, các yếu tố không chắc chắn vĩ mô phổ biến chúng tôi ước tính giải thích trung bình (qua tất cả loạt) 15% của các biến thể trong sự không chắc chắn trong mẫu đầy đủ. Nhưng nó giải thích một nhiều lớn hơn 23% trong suy thoái. Kết quả là rất tương tự cho h = 12 trường hợp.

Kết quả (Việt) 2:

14% đối với h = 3, và 22% cho h = 12. Chúng tôi lấy Ru là một, tạo điều kiện giải kết quả. Như vậy, các yếu tố không chắc chắn macro đơn giản chỉ là các thành phần chính đầu tiên và
được ký hiệu là F _T ^ u
Hình 2 lô F _T ^ u (h) theo thời gian cho h = 1; 3; và 12, cùng với sự suy thoái kinh tế ngày NBER. Các thanh ngang phù hợp tương ứng với 1,65 độ lệch chuẩn trên trung bình cho từng dòng. Hình 2 cho thấy sự không chắc chắn vĩ mô rõ ràng là ngược chu kỳ: sự tương quan của F _T ^ u (h) với tốc độ tăng trưởng sản xuất công nghiệp là -0,65, -0,61 và -0,56 cho h = 1; 3; và 12, tương ứng. Các yếu tố không chắc chắn thể hiện gai xung quanh 1973-1974 và 1981-1982 suy thoái, cũng như cuộc Đại suy thoái của 2007-09. Nhìn trên tất cả các dự đoán không chắc chắn những chân trời h = 1, 3 và 12, 2007-09 suy thoái rõ ràng đại diện cho các tập phim nổi bật nhất của sự không chắc chắn cao từ năm 1960. Tuy nhiên, ba tập phim cũng là những trường hợp chỉ khi F _T ^ u (h) vượt quá, hoặc đến gần quá, 1,65 độ lệch chuẩn trên trung bình của nó, ngụ ý tập sự không chắc chắn ít hơn rất nhiều proxy phổ biến khác cho sự không chắc chắn, như chúng ta thấy dưới đây. Để so sánh, Hình (3) hiển thị cùng một hành vi chuỗi thời gian, nhưng đối với các trường hợp không chắc chắn khi kinh tế vĩ mô được tính là trung bình đơn giản cắt ngang của các ước tính không chắc chắn cá nhân:
U _T ^ y (h) = 1 / N_y Σ_ ( j = 1) ^ (N_y) ▒U _jt ^ y
Kết quả sử dụng biện pháp này khá giống với những người sử dụng các yếu tố tiềm ẩn ước PCA. Sự không chắc chắn được xác định trên như sự biến động của một lỗi hoàn toàn unforecastable. Sự không chắc chắn được vì thế có thể bị ảnh hưởng bởi những cú sốc bất ổn vĩ mô, nhưng nó cũng là tiềm năng trong fluenced bởi những cú sốc bất ổn mang phong cách riêng cũng như những cú sốc cho các lỗi mà là hoàn toàn homoskedastic. Để đánh giá tầm quan trọng tương đối của các vĩ mô bất ổn F _T ^ u (h) trong tổng un-chắc chắn, chúng tôi tính toán cho từng dòng 132 trong tập dữ liệu vĩ mô, và cho h = 1; 3; và 12, R_jt ^ 2 (h) theo quy định (14), trung bình trên t. Bài tập này được thực hiện cho các mẫu đầy đủ, trong nhiều tháng suy thoái kinh tế, và cho người không suy thoái months.12 càng lớn là R_j ^ 2 (h), quan trọng hơn là sự không chắc chắn vĩ mô trong việc giải thích tổng không chắc chắn. Hình 4 cho thấy tầm quan trọng của vĩ mô không chắc chắn tăng trưởng như dự báo trời h tăng: trên trung bình trên tất cả các series nó là gần như cao gấp đôi cho h = 3 và h = 12 hơn là cho h = 1. Hình 4 cũng cho thấy sự không chắc chắn vĩ mô chiếm một phần nhỏ số lượng lớn sự biến đổi trong tổng số không chắc chắn. Ví dụ, khi đường chân trời không chắc chắn là h = 3 tháng, các yếu tố không chắc chắn vĩ mô thông thường, chúng tôi ước tính giải thích trung bình (trên tất cả các series) của 15% của sự biến đổi trong không chắc chắn về mẫu đầy đủ. Nhưng nó giải thích một lớn hơn nhiều 23% trong thời kỳ suy thoái. Kết quả là rất tương tự cho các h = 12 trường hợp.