บทคัดย่อ การศึกษานี้เน้นความสำคัญของการปรับปรุงสมรรถภาพของการพยากรณ์โครงสร้าง อัตราผลตอบแทนด้วยกระบวนการคัดแยกตัวประกอบสามัญจากอนุกรมเวลาทางเศรษฐศาสตร มหภาคที่มีขนาดใหญ่ให้มีความเหมาะสมมากยิ่งขึ้น การศึกษานี้เป็นการศึกษาเชิงประจักษ์โดยอาศัย หลักฐานจากตลาดพันธบัตรในประเทศเยอรมัน ผู้ศึกษาได้ทำการตรวจสอบสมรรถภาพของการ พยากรณ์เส้นอัตราผลตอบแทนภายใต้วิธีการคัดแยกข้อมูลแบบวิธีวิเคราะห์องค์ประกอบหลัก (Principal Component Analysis) และวิธีการแยกตัวประกอบสองขั้นตอน (Two-Step Factorization) ซึ่งทั้งสองวิธีนี้อยู่ภายใต้ข้อกำหนดเดียวกันในการใช้แบบจำลองการพยากรณ์ โดยที่การเคลื่อนไหว ของอัตราดอกเบี้ยระยะสั้นถูกจำลองด้วย Factor-Augmented Vector Autoregression (FAVAR) และ โครงสร้างอัตราผลตอบแทนตามระยะเวลาไถ่ถอนหลักทรัพย์เกิดจากการใช้ตัวแปรที่ถูกกำหนดให้ ไม่มีการค้ากำไรเกิดขึ้น แบบจำลองนี้เป็นแบบโครงสร้างอัตราผลตอบแทนตามระยะเวลาไถ่ถอน หลักทรัพย์ชนิดเส้นตรง (Affine Term Structure) ซึ่งมี Factor-Augmented Vector Autoregression เป็นสมการหลัก แบบจำลองนี้รู้จักกันในชื่อ วิธี “No-Arbitrage Factor-Augmented Vector Autoregression” จากนั้นผู้ศึกษาได้ใช้วิธีการวิเคราะห์องค์ประกอบหลักและการแยกตัวประกอบสอง ขั้นตอนไปคัดแยกตัวประกอบสามัญจากชุดข้อมูลทางเศรษฐศาสตร์ชุดเดียวกัน ซึ่งอัตราดอกเบี้ย ระยะสั้นและองค์ประกอบสามัญของตัวแปรทางเศรษฐศาสตร์ขนาดใหญ่ที่ได้มาจากการคัดแยกของ แต่ละวิธีนั้นจะถูกนำไปใช้เป็นตัวประกอบในแบบจำลองการพยากรณ์ต่อไป สมรรถภาพของการ พยากรณ์โครงสร้างอัตราผลตอบแทนภายใต้วิธีการคัดแยกที่แตกต่างกันทั้งสองนี้จะถูกนำมา เปรียบเทียบโดยค่ารากที่สองของค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง(Root Mean Square Errors)เพื่อ ตรวจวัดความแม่นยำในการพยากรณ์ ผลการศึกษาพบว่า ตัวประกอบสามัญที่ถูกคัดแยกโดยวิธีการ แยกองค์ประกอบสองขั้นตอนมีนัยทางเศรษฐศาสตร์มากกว่าวิธีการแยกองค์ประกอบหลัก ยิ่งไปกว่า นั้นแบบจำลองภายใต้การแยกตัวประกอบสองขั้นตอนนี้ยังให้ผลการพยากรณ์เส้นอัตราผลตอบแทน ได้ดีกว่าวิธีการแยกองค์ประกอบหลักอีกด้วย