Zastosowanie danych o różnej częstotliwości w prognozowaniu makroekonomicznym

• Autorzy: Lech Kujawski

Warianty tytułu

Mixed Frequency Data in Macroeconomic Forecasting

• Języki publikacji: PL

Abstrakty

Celem badania było sprawdzenie, czy zastosowanie w modelu danych o zróżnicowanej częstotliwości w postaci najnowszych dostępnych danych o częstotliwości miesięcznej jest w stanie polepszyć dokładność kwartalnych prognoz wybranych kategorii makroekonomicznych. Narzędziem badawczym były modele klasy MIDAS, DFM, ARIMA i VAR, przedmiotem porównań prognozy wyliczone na podstawie wymienionych modeli. Badanie zaplanowane zostało jako symulacja czterech sesji, każda o horyzoncie prognozy czterookresowym, każda dostarczająca prognoz ex ante. W tym celu konieczne było użycie zmiennych czasu rzeczywistego, co z uwagi na ograniczony dostęp do nieodpłatnych baz danych czasu rzeczywistego wymusiło badanie amerykańskiego PKB. Z przeprowadzonych badań wynika, że modele klasy MIDAS, w których możliwe jest bezpośrednie uwzględnienie najnowszych informacji miesięcznych, dostarczają bardziej precyzyjnych prognoz PKB jedynie dla prognoz formułowanych z jednookresowym wyprzedzeniem czasowym. Wraz ze wzrostem wyprzedzenia precyzja prognoz MIDAS maleje i jest statystycznie istotnie gorsza od prognoz uzyskanych z modeli VAR i DFM. (abstrakt oryginalny)

EN

The aim of the study was to find out whether the use of mixed frequency data models can improve the accuracy of quarterly forecasts of selected macroeconomic variables. The research tools were the MIDAS, DFM, ARIMA and VAR models with quarterly forecasts as reference points. The study used a simulation of four (ex ante) forecasting sessions. To that end, it was necessary to use variables from the real-time database. Yet, due to the limited access to such databases, the study focused on U.S. GDP. The results indicate that the MIDAS class models, which directly incorporate the latest available monthly information, provide more accurate forecasts of GDP only if the forecasts are formulated one-step ahead. With an increase in step-ahead, precision of MIDAS forecasts decreases, and four step-ahead forecasts are significantly worse than those obtained from the VAR and DFM models. (original abstract)

Słowa kluczowe

PL

Prognozowanie makroekonomiczne; Modele ARIMA; Model wektorowej autoregresji; Wyniki badań

EN

Macroeconomic forecasting; Autoregressive integrated moving average (ARIMA) models; Vector Autoregression Model (VAR); Research results

• Czasopismo: Zarządzanie i Finanse
• Rocznik: 2013
• Numer: R. 11, nr 3, cz. 2
• Strony: 129--146

Twórcy

autor

Lech Kujawski

• Uniwersytet Gdański

Bibliografia

• Andreou E., Ghysels E., Kourtellos A. (2010), Forecasting with mixed-frequency data, "Oxford Handbook on Economy Forecasting", Clements M.P., Hendry D.F. (red.).
• Artis M., Banerjee A., Marcelino M. (2003), Factor forecast for the UK, "Bacconi University Working Paper", Vol. 203.
• Boivin J., Ng S. (2006), Are more data always better for factor analysis? "Journal of Econometrics", No. 132(1).
• Brown G., Buccellato T., Chamberlin G., Dey-Chowdhury D., Youl R. (2010), Understanding the quality of early estimates of Gross Domestic Product, "Economic & Labour Market Review", Vol. 4(6).
• Chamberlin G. (2007), Forecasting GDP using external data sources, "Economic and Labour Market Review", Vol. 1, No. 8.
• Chamberlin G. (2010), Real time data, "Economic and Labour Market Review", Vol. 4(12).
• Chen X., Ghysels E. (2009), News - good or bad - and its impact on predicting future volatility, "Review of Financial Studies".
• Chow G., Lin A. (1971), Best linear unbiased interpolation, distribution and extrapolation of time series by related time series, "Review of Economics and Statistics", No. 53.
• Clemens M.P., Galvao A.B. (2010), Real-time Forecasting of Inflation and Output growth in the Presence of Data Revisions, "Warwick Economic Research Papers", No. 953.
• Clements M.P., Galvao A.B. (2006), Macroeconomic Forecasting with Mixed Frequency Data: Forecast of US output growth and inflation, "Warwick Economic Research Papers", 773.
• Croushore D. (2005), Forecasting with Real-Time Data Vintages, "University of Richmond Working Paper".
• Diebold F. (2012), Comparing Predictive Accuracy, Twenty Years Later: A Personal Perspective on the Use and Abuse of Diebold-Mariano Test, "University of Pennsylvania Working Paper", Vol. 7.
• Fair R. (2013), Macroeconometric Modeling, http://fairmodel.econ.yale.edu/mmm/mm.pdf.
• Faust J., Rogers J., Wright J. (2005), News and noise in G7 announcements, "Centre for Economic Policy Research", No. 12.
• Forni M., Hallin M., Lippi M., Reichlin L. (2005), The Genaralized Dynamic Factor Model, "Journal of the American Statistical Association", No. 100.
• Ghysels E., Santa-Clara P., Valkanov R. (2004 a), The MIDAS touch: Mixed Data Sampling regression models, Chapel Hill, N.C.
• Ghysels E., Santa-Clara P., Valkanov R. (2004 b), Predicting volatility: Getting the most out of return data sampled at different frequencies, "Journal of Econometrics".
• Jacobs J., van Norden S. (2011), Modeling data revisions: Measurement error and dynamics of "true" values, "Journal of Econometrics", No. 161.
• Kapetanios G., Yates T. (2004), Estimating time-variation in measurement error from data revision; an application to forecasting in dynamic models, "Bank of England Working Papers", No. 238.
• Koenig E.F., Domas S., Piger J. (2003), The use and abuse of real-time data on economic forecasting, "The Review of Economic and Statistics", Vol. 85(3).
• Mankiw N.G., Shapiro M.D. (1986), News of noise. An analysis of GNP revision, "Survey of Current Business".
• Marcellino M., Stock J., Watson M. (2006), A comparison of direct and iterated multistep AR methods for forecasting macroeconomic time series, "Journal of Econometrics", Vol. 135(1-2).
• Miller P.J., Chin D.M. (1996), Using monthly data to improve quarterly model forecasts, "Federal Reserve Bank Minneapolis Quarterly Review", 20.
• Patterson K. (2002), The data measurement process for UK GNP: stochastic trends, long memory and unit roots, "Journal of Forecasting", 21.
• Richardson C. (2003), Revision analysis: a time series approach, "Economic Trends", Vol. 12.
• Schneider M., Spitzer M. (2004), Forecasting Austrian GDP using the generalized dynamic factor model, "Oesterreichische Nationalbank Working Paper", Vol. 89.
• Stark T., Croushore D. (2002), Forecasting with a real time data set for macroeconomists, "Journal of Macroeconomics", Vol. 24.
• Stock J., Watson M. (1999), Forecasting Inflation, "Journal of Monetary Economics", Vol. 44.
• Stock J., Watson M. (2002),.Macroeconomic Forecasting Using Diffusion Indexes, "Journal of Business and Economic Statistic", Vol. 20(2).
• Stock J., Watson M. (2005), Implications of Dynamic Factor Models for VAR Analysis, "NBER Working Papers", 11467.
• Stock J., Watson M. (2006), Forecasting with Many Predictors, "Handbook of Economic Forecasting", Vol. 1.