Kryteria wyboru dynamicznych modeli czynnikowych dla celów prognostycznych

• Autorzy: Jan Acedański

Warianty tytułu

Selection Criteria for Forecasting Dynamic Factor Models

• Języki publikacji: PL

Abstrakty

Celem pracy jest porównanie omówionych trzech podejść do wyboru najlepszego modelu DFM dla celów prognostycznych: zmodyfikowanych kryteriów informacyjnych, wyłącznej analizy dokładności prognoz wygasłych oraz podejścia tradycyjnego łączącego kryteria informacyjne i analizę prognoz wygasłych. Badane jest, które z tych trzech podejść generuje najlepsze prognozy poza próbą. Podstawowym kryterium oceny jakości prognoz jest błąd średniokwadratowy RMSE. W badaniach wykorzystano zarówno szeregi generowane na podstawie symulacji Monte Carlo, jak i dane rzeczywiste dotyczące prognozowania miesięcznej stopy inflacji w Polsce. (fragment tekstu)

EN

The paper compares three groups of methods used for best dynamic factor model selection for forecasting: modified information criteria, methods exclusively based on ex post forecasts analysis and mixed algorithms. It searches for the approach that delivers best out-of-sample forecasts according to mean square error measure. The analysis utilizes both Monte Carlo generated samples as well as real time series used for forecasting consumer inflation in Poland. Results show that best forecasts are obtained from the modified information criteria proposed by Groen and Kapetanios, whereas the methods that employ ex post forecasts from rolling windows usually give the worst predictions. (original abstract)

Słowa kluczowe

PL

Prognozowanie makroekonomiczne; Metody prognozowania; Modele autoregresji; Modele ekonometryczne

EN

Macroeconomic forecasting; Forecasting methods; Autoregression models; Econometric models

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2013
• Numer: nr 124 Prognostyczne uwarunkowania ryzyka gospodarczego i społecznego
• Strony: 193--216

Twórcy

autor

Jan Acedański

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Alessi L., Barigozzi M., Capasso.: A robust criterion for determining the number of factors in approximate factor models, ECARES Working Paper 2009/023.
• Artis M., Banerjee A., Marcellino M.: Factor forecasts for the UK, "Journal of Forecasting" 2005, Vol. 24.
• Bai J., Ng S.: Determining the number of factors in approximate factor models, "Econometrica" 2002, Vol. 70 (1).
• Bai J., Ng S.: Boosting diffusion indexes, "Journal of Applied Econometrics" 2009, Vol. 24 (4).
• Baranowski P., Leszczyńska A., Szafrański G.: Krótkookresowe prognozowanie inflacji z użyciem modeli czynnikowych, "Bank i Kredyt" 2010, nr 41 (4).
• Bernanke B., Boivin J.: Monetary policy in data-rich environment, "Journal of Monetary Economics" 2003, Vol. 50 (3).
• Breitung J., Eickmeier S.: Dynamic factor models, Deutsche Bundesbank Discussion Paper Series 1: Economic Studies No 38/2005.
• Doz C., Giannone D., Reichlin L.: A quasi maximum likelihood approach for large approximate dynamic factor models, ECB Working Paper 674.
• Forni M., Hallin M., Lippi M., Reichlin L.: The generalized dynamic factor model: Identification and estimation, "The Review of Economics and Statistics" 2000, Vol. 82 (4).
• Giacomini R., White H.: Tests of conditional predictive ability, "Econometrica" 2006, Vol. 74 (6).
• Groen J., Kapetanios G.: Model selection criteria for factor-augmented regressions, Federal Reserve Bank of New York Staff Report No. 363, February 2009.
• Marcellino M., Stock J., Watson M.: Macroeconomic forecasting in the Euro area: country specific versus Euro wide information, "European Economic Review" 2003, Vol. 47.
• Matheson T.: Factor model forecasts for New Zealand, Reserve Bank of New Zealand DP2005/01.
• Onatski A.: Testing hypotheses about the number of factors in large factor models, "Econometrica" 2009, Vol. 77.
• Otter P., Jacobs J., den Reijer A.: A criterion for the number of factors in a data-rich environment, Mimeo 2011.
• Stock J., Watson M.: Diffusion indexes, NBER Working Paper 6702.