我試圖按照示例 https://www.statsmodels.org/dev/examples/notebooks/generated/statespace_dfm_coincident.html在 Python 中使用 statsmodels 估計動態(tài)因子模型 但是我沒有使用示例數(shù)據(jù)集，而是使用了自己的數(shù)據(jù)集 282變量，有 124 個觀察值（不同國家的月通貨膨脹率）。然而，在運行代碼超過六個小時后，我沒有得到任何結(jié)果。嘗試使用不同數(shù)量的變量和不同的求解器，我得到了這些時間估計：Number of variables Initial params in seconds   Model estimate in secondsPowell solver:     10                  57,3                        4,9    20                  167,6                       19,9    40                  1498,8                      137,8BFGS    10                  9,1                         6,3    20                  89,2                        18,5    40                  597,5                       138,2根據(jù)這些計算，時間正在增長 n^2*log(n)，這意味著要使用 Powell 求解器計算所有 280 個變量的模型，我將需要大約 30 個小時，這太長了。BFGS 更快，但是對于 20 和 40 個變量，我發(fā)現(xiàn)似然優(yōu)化無法收斂。我在我的筆記本電腦（WIN10、32gb、i7-4700MQ、2.40GHz）上運行它，它看起來并沒有用完所有資源，只使用了大約 10gb 的內(nèi)存和大約 25-50% 的 CPU。所以問題是如何使 DFM 模型的估計更快并收斂？如果我在云上運行此代碼（比如 Amazone 或 Google，具有 32-64 個 CPU），多線程是否有助于提高速度，或者統(tǒng)計模型的并行性幾乎沒有改進？切換到 Matlab 或其他軟件進行此類計算是否有意義？scipy.optimize（如 krylov、broyden2 或 anderson）中有一些大型問題的求解器，但我不確定它們是否可以與 statsmodels.LikelihoodModel.fit 一起使用。我將非常感謝任何關(guān)于如何加快估算速度的想法！我運行的代碼： import statsmodels.api as sm    import time    # Create the model    mod = sm.tsa.DynamicFactor(data_cpi, k_factors=3, factor_order=1, error_order=1)    tic = time.perf_counter()    initial_res = mod.fit(method='powell', disp=True)    toc = time.perf_counter()    print(f"Initial params in {toc - tic:0.4f} seconds")    res = mod.fit(initial_res.params, disp=True)    tic = time.perf_counter()    print(f"Model estimate in {tic - toc:0.4f} seconds")    print(res.summary(separate_params=False))