Probabilistic Prediction Using Disaggregate Data: the Case of Gross Value Added in Poland

• Autorzy: Błażej Mazur

Warianty tytułu

Predykcja wartości dodanej brutto w polskiej gospodarce: ujęcie probabilistyczne z wykorzystaniem danych zdezagregowanych

• Języki publikacji: EN

Abstrakty

EN

The objective of the paper is to compare ex-post performance of density forecasts based on alternative specifications that allow for regular business-cycle type fluctuations. The empirical question posed here is whether the disaggregate (i.e. indirect) approach to forecasting of the aggregate quantity is capable of delivering results that are superior to forecasts obtained in a direct way (i.e. applying a univariate model to the aggregate quantity). Such comparisons have been conducted for point forecasts, but the literature dealing with density forecasts is still scarce. We make use of the Bayesian approach. The predictive distribution of the aggregate quantity can be formally induced from a predictive distribution for the disaggregate quantities obtained in a multivariate model. The latter accounts for possible heterogeneity as it might include individual cyclical components for each variable. Alternatively, one might obtain forecasts of the aggregate quantity directly from a univariate model containing one cyclical component. The quantity of interest is the total gross value added in the Polish economy (with quarterly observations on real year-on-year growth rates). The predictive experiment conducted here takes into account data revisions, getting close to the real-time setup. Its results indicate that the forecasts obtained using models for disaggregate data have better ex-post properties. (original abstract)

W artykule przeprowadzono analizę ex-post zdolności predyktywnych (w odniesieniu do prognoz probabilistycznych) alternatywnych specyfikacji, odzwierciedlających występowanie regularnych wahań koniunkturalnych. Celem pracy jest stwierdzenie czy modelowanie danych zdezagregowanych pozwala uzyskać lepsze prognozy probabilistyczne wielkości zagregowanej (w porównaniu z podejściem, w którym modelowaniu podlega bezpośrednio sam agregat). Empiryczne porównania ujęcia zagregowanego i zdezagregowanego są przedstawione w literaturze głównie dla prognoz punktowych. W pracy wykorzystano wnioskowanie bayesowskie i dokonano porównania rozkładów prognoz agregatu, indukowanych na podstawie rozkładów predyktywnych z modeli wielowymiarowych dla subagregatów (ze swoistymi komponentami cyklicznymi dla każdej składowej) oraz rozkładów prognoz dla agregatu otrzymanych z modelu jednowymiarowego z komponentem cyklicznym. Wielkością prognozowaną jest dynamika r/r wartości dodanej brutto w polskiej gospodarce (w cenach stałych), eksperyment predyktywny uwzględnia publikowane rewizje danych. Otrzymane wyniki wskazują, że w ramach ujęcia zdezagregowanego udało się uzyskać rozkłady prognoz o lepszych (ex post) własnościach. (abstrakt oryginalny)

Słowa kluczowe

EN

Macroeconomic forecasting; Bayesian inference; Econometric forecasts; Business fluctuations

PL

Prognozowanie makroekonomiczne; Wnioskowanie bayesowskie; Prognozy ekonometryczne; Wahania koniunkturalne

• Czasopismo: Folia Oeconomica Cracoviensia
• Rocznik: 2017
• Tom: 58
• Strony: 85--103

Twórcy

autor

Błażej Mazur

• Cracow University of Economics, Poland

Bibliografia

• Clark T.E., Ravazzolo F. (2015), Macroeconomic Forecasting Performance under Alternative Specifications of Time-Varying Volatility, Journal of Applied Econometrics, 30(4), 551-575.
• Doornik J.A. (2007), Object-Oriented Matrix Programming Using Ox, 3rd ed. London: Timberlake Consultants Press and Oxford: www.doornik.com.
• Gallant A.R. (1981), On the Bias in Flexible Functional Forms and an Essentially Unbiased Form: the Fourier Flexible Form, Journal of Econometrics, 15.
• Gneiting T., Raftery A. (2007), Strictly Proper Scoring Rules, Prediction, and Estimation, Journal of the American Statistical Association, 102(477).
• Harvey A.C., Trimbur T.M., van Dijk H.K. (2007), Trends and cycles in economic time series: A Bayesian approach, Journal of Econometrics, 140.
• Lenart Ł. (2017), Examination of Seasonal Volatility in HICP for Baltic Region Countries: Non-Parametric Test versus Forecasting Experiment, Central European Journal of Economic Modelling and Econometrics, 9(1), 26-67.
• Lenart Ł., Leszczyńska-Paczesna A. (2016), Do market prices improve the accuracy of inflation forecasting in Poland? A disaggregated approach, Bank & Credit, 47(5), 365-394.
• Lenart Ł., Mazur B. (2016), On Bayesian Inference for Almost Periodic in Mean Autoregressive Models, Statistical Review/Przegląd Statystyczny, 63(3), 255-271.
• Lenart Ł., Mazur B. (2017), Business cycle analysis with short time series: a stochastic versus a nonstochastic approach, in: M. Papież and S. Śmiech (eds.), The 11th Professor Aleksander Zelias International Conference on Modelling and Forecasting of Socio-Economic Phenomena, Conference Proceedings, Cracow: Foundation of the Cracow University of Economics, 212-222.
• Lenart Ł., Mazur B., Pipień M. (2016), Statistical Analysis of Business Cycle Fluctuations in Poland Before and After the Crisis, Equilibrium, Quarterly Journal of Economics and Economic Policy, 11(4), 769-783.
• Lenart Ł., Pipień M. (2017), Non-parametric test for the existence of the common deterministic cycle: the case of the selected European countries, Central European Journal of Economic Modelling and Econometrics, 9(3).
• Mazur B. (2015), Density Forecasts Based on Disaggregate Data: Nowcasting Polish Inflation, Dynamic Econometric Models, 15, 71-87.
• Mazur B. (2017), Density Forecasts of Polish Industrial Production: a Probabilistic Perspective on Business Cycle Fluctuations, Institute of Economic Research Working Papers 75/2017.
• Stock J.H., Watson M.W. (2014), Estimating turning points using large data sets, Journal of Econometrics, 178, 368-381.