Dokładność wybranych metod prognozowania wynagrodzeń i liczby pracujących w Polsce

• Autorzy: Jan Acedański , Jolanta Bernais , Adrianna Mastalerz-Kodzis

Warianty tytułu

Accuracy of Selected Forecasting Methods for Wages and Employment in Poland

• Języki publikacji: PL

Abstrakty

Celem pracy była analiza dokładności wybranych metod prognozowania zmiennych opisujących polski rynek pracy w latach 1998-2013. Badaniu poddano następujące zmienne: liczbę pracujących w gospodarce narodowej według GUS, liczbę pracujących według BAEL oraz średnie miesięczne wynagrodzenie w gospodarce narodowej. W porównaniach uwzględniono: modele wektorowej autoregresji VAR, bayesowskie modele VAR, dynamiczne modele czynnikowe, modele wskaźników wyprzedzających oraz metody łączenia prognoz. Uzyskane wyniki wskazały, że w zdecydowanej większości przypadków największą dokładnością, mierzoną błędem średniokwadratowym prognoz wygasłych, cechowały się prognozy łączone, uwzględniające modele czynnikowe oraz modele wskaźników wyprzedzających. Te dwie klasy modeli dawały lepsze prognozy niż tradycyjne modele wektorowej autoregresji. Pokazano również, że napływ kolejnych danych miesięcznych nie prowadził do poprawy jakości prognoz na dany kwartał. (abstrakt oryginalny)

EN

The aim of the paper is to analyse accuracy of selected methods used for forecasting variables describing labour market in Poland in years 1998-2013. We focus on quarterly data on employment in national economy published by National Statistical Office, employment according to the Labour Force Survey and average monthly wages and salaries in national economy. We compare classical and Bayesian VAR models, dynamic factor models, leading indicators as well as combined methods. The results show that for the most cases the best forecasts in terms of mean square errors were generated by averaging forecasts from factor models and leading indicator models. The individual models from these two classes outperform autoregression models. Moreover we find no evidence that availability of more recent monthly data in a given quarter improves forecasting abilities of the methods for that quarter. (original abstract)

Słowa kluczowe

PL

Rynek pracy; Wynagrodzenia; Prognozowanie rynku pracy; Modele autoregresji; Miernik ryzyka (VaR)

EN

Labour market; Remuneration; Labour market forecasting; Autoregression models; VaR method

• Czasopismo: Bank i Kredyt
• Rocznik: 2014
• Numer: nr 2
• Strony: 163--195

Twórcy

autor

Jan Acedański

• Uniwersytet Ekonomiczny w Katowicach

autor

Jolanta Bernais

• Uniwersytet Ekonomiczny w Katowicach

autor

Adrianna Mastalerz-Kodzis

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Alessi L., Barigozzi M., Capasso M. (2010), Improved penalization for determining the number of factors in approximate factor models, Statistics and Probability Letters, 80(23-24), 1806-1813.
• Angelini E., Camba-Mendez G., Giannone D., Runstler G., Reichlin L. (2011), Short-term forecasts of euro area GDP growth, Econometrics Journal, 41(1), C25-C44.
• Bai J., Ng S. (2002), Determining the number of factors in approximate factor models, Econometrica, 70(1), 191-221.
• Bai J., Ng S. (2008), Forecasting economic time series using targeted predictors, Journal of Econometrics, 146, 304-317.
• Banerjee A., Marcellino M., Masten I. (2005), Leading indicators for euro-area inflation and GDP growth, Oxford Bulletin of Economics and Statistics, 67, Supplement, 785-813.
• Bańbura M., Giannone D., Reichlin L. (2010), Large Bayesian vector auto regressions, Journal of Applied Econometrics, 25(1), 71-92.
• Baranowski P., Leszczyńska A., Szafrański G. (2010), Krotkookresowe prognozowanie inflacji z użyciem modeli czynnikowych, Bank i Kredyt, nr 41(4), 28-44.
• Barhoumi K., Benk S., Cristadoro R., Den Reijer A., Jakaitiene A., Jelonek P., Rua A., Ruth K., Van Nieuwenhuyze C., Runstler G. (2008), Short-term forecasting of GDP using large monthly datasets: a pseudo real-time forecast evaluation exercise, Working Paper Research, 133, National Bank of Belgium.
• Boivin J., Ng S. (2005) Understanding and comparing factor-based forecasts, International Journal of Central Banking, 1(3), 117-151.
• Boivin J., Ng S. (2006), Are more data always better for factor analysis? Journal of Econometrics, 132(1), 169-194.
• Christoffel K., Warne A., Coenen G. (2010), Forecasting with DSGE models, ECB Working Paper Series, 1185.
• Cichocki S., Saczuk K., Strzelecki P., Tyrowicz J., Wyszyński R. (2013), Kwartalny raport o rynku pracy - I kwartał 2013 r., Narodowy Bank Polski, Warszawa.
• Diebold F.X., Mariano R.S. (1995), Comparing predictive accuracy, Journal of Business & Economic Statistics, 13(3), 253-263.
• Doan T., Litterman R., Sims C. (1984), Forecasting and conditional projections using a realistic prior distribution, Econometric Reviews, 3, 1-100.
• Eickmeier S., Ziegler C. (2008), How successful are dynamic factor models at forecasting output and inflation? A meta-analytic approach, Journal of Forecasting, 27(3), 237-265.
• Estrella A., Mishkin F.S. (1998), Predicting U.S. recessions: financial variables as leading indicators, The Review of Economics and Statistics, 80(1), 45-61.
• Giacomini R., White H. (2006), Tests of conditional predictive ability, Econometrica, 74(6), 1545-1578.
• Giannone D., Reichlin L., Small D. (2008), Nowcasting: the real-time informational content of macroeconomic data, Journal of Monetary Economics, 55(4), 665-676.
• Gomez V., Maravall A. (1998), Programs TRAMO and SEATS. Instructions for the user, http://www.bde. es/f/webbde/SES/servicio/software/tramo/manualdos.pdf.
• Gupta R., Kabundi A., Miller S., Uwilingiye J. (2011), Using large data sets to forecast sectoral employment, Working Papers, 2011-02, University of Connecticut, Department of Economics.
• GUS (2008), Zasady metodyczne statystyki rynku pracy i wynagrodzeń, Główny Urząd Statystyczny, Warszawa.
• GUS (2010), Zatrudnienie i wynagrodzenia w gospodarce narodowej w I kwartale 2010, Informacje i opracowania statystyczne GUS, Warszawa.
• GUS (2013), Aktywność ekonomiczna ludności Polski. I kwartał 2013, Główny Urząd Statystyczny, Warszawa.
• Jacobs J., Otter P. (2008), Determining the number of factors and lag order in dynamic factor models: a minimum entropy approach, Econometric Reviews, 26(4-6), 385-397.
• Koop G., Korobilis D. (2011), UK macroeconomic forecasting with many predictors: Which models forecast best and when do they do so?, Economic Modelling, 28(5), 2307-2318.
• Marcellino M., Stock J.H., Watson M.W. (2003), Macroeconomic forecasting in the euro area: country specific versus area-wide information, European Economic Review, 47(S1), 755-783.
• McGuckin R.H., Ozyildirim A., Zarnowitz V. (2000), The composite index of leading economic indicators: How to make it more timely, Economics Program Working Paper Series,