Znaczenie rewizji danych dla wnioskowania statystycznego

• Autorzy: Paulina Ziembińska

Warianty tytułu

The Importance of Data Revisions for Statistical Inference

• Języki publikacji: EN

Abstrakty

EN

The aim of the study is a quantitative analysis of revisions conducted by means of a new, real-time macroeconomic dataset for Poland, designed on the basis of the Statistical bulletin (Biuletyn statystyczny) published by Statistics Poland, covering the period from as early as 1995 until 2017. Polish data have positively verified a number of hypotheses concerning the impact of data revisions on the modelling process. Procedures assessing the properties of time series can yield widely discrepant results, depending on the extent to which the applied data have been revised. A comparison of the fitted ARIMA models for series of initial and final data demonstrates that the fitted models are similar for the majority of variables. In the cases where the form of the model is identical for both series, the coefficients retain their scale and sign. Most differences between coefficients result from a different structure of the fitted model, which causes differences in the autoregressive structure and can have a considerable impact on the ex ante inference. A prognostic experiment confirmed these observations. For a large number of variables, the total impact of revisions on the forecasting process exceeds 10%. Extreme cases, where the impact goes beyond 100%, or situations where data have a direct impact on the forecast sign, are also relatively frequent. Taking these results into account by forecasters could significantly improve the quality of their predictions. The forecast horizon has a minor impact on these conclusions. The article is a continuation of the author's work from 2017. (original abstract)

Celem pracy jest ilościowa analiza rewizji danych makroekonomicznych w czasie rzeczywistym dla Polski pochodzących z nowego zbioru utworzonego na podstawie "Biuletynu statystycznego" GUS i obejmującego okres od 1995 do 2017 r. Polskie dane pozytywnie weryfikują wiele hipotez dotyczących wpływu rewizji danych na proces modelowania. Procedury oceniające własności szeregów czasowych mogą dawać istotnie różne wyniki w zależności od tego, jak bardzo rewidowane dane zostaną użyte. Porównanie dopasowanych modeli ARIMA dla szeregów pierwszych i finalnych odczytów wskazuje, że w przypadku większości zmiennych dopasowane modele są podobne. Gdy postać modelu jest taka sama dla obu szeregów, współczynniki zachowują skalę i znak. Większość różnic we współczynnikach wynika z odmiennej struktury dopasowanego modelu, co wpływa na różnice w strukturze autoregresyjnej i może mieć niemały wpływ na wnioskowanie ex ante. Potwierdza to eksperyment prognostyczny. Dla dużej części zmiennych całkowity wpływ rewizji na proces prognozowania wynosi powyżej 10%. Nie są też wyjątkiem ekstremalne przypadki, w których ten wpływ przekracza 100%, czy sytuacje, w których dane bezpośrednio wpływają na znak prognozy. Uwzględnienie tych wyników przez prognostów mogłoby znacząco poprawić jakość predykcji. Horyzont prognozy ma niewielki wpływ na te konkluzje. Artykuł jest kontynuacją pracy autorki z 2017 r. (abstrakt oryginalny)

Słowa kluczowe

EN

Time-series analysis; Forecasting; Inferential statistics

PL

Analiza szeregów czasowych; Prognozowanie; Wnioskowanie statystyczne

• Czasopismo: Wiadomości Statystyczne
• Rocznik: 2021
• Numer: nr 2
• Strony: 7--24

Twórcy

autor

Paulina Ziembińska

• Uniwersytet Warszawski

Bibliografia

• Amir-Ahmadi, P., Matthes, C. & Wang, M. (2015). Measurement errors and monetary policy: Then and now (FRB Richmond Working Paper 15-13). https://fraser.stlouisfed.org/title/working-papers-federal-reserve-bank-richmond- 3942/measurement-errors-monetary-policy-531441 .
• Banerjee, A., Dolado, J. J., Galbraith, J. W. & Hendry, D. (1993). Co-integration, error correction, and the econometric analysis of non-stationary data. Oxford: Oxford University Press. https://doi.org/10.1093/0198288107.001.0001 .
• Chang, A. C., Li, P. (2018). Measurement Error in Macroeconomic Data and Economics Research: Data Revisions, Gross Domestic Product, and Gross Domestic Income. Economic Inquiry, 56(3), 1846-1869. https://doi.org/10.1111/ecin.12567 .
• Charemza, W. W., Syczewska, E. M. (1998). Joint application of the Dickey-Fuller and KPSS tests. Economics Letters, 61(1), 17-21. https://doi.org/10.1016/S0165-1765(98)00149-9 .
• Clark, T. E., McCracken, M. W. (2010). Testing for Unconditional Predictive Ability (Federal Reserve Bank of St. Louis Working Paper No. 2010-031A). https://doi.org/10.20955/wp.2010.031 .
• Cole, R. (1969). Data Errors and Forecasting Accuracy. In J. A. Mincer (Ed.), Economic forecasts and expectations: analysis of forecasting behavior and performance (pp. 47-82). Cambridge: NBER. https://www.nber.org/system/files/chapters/c1215/c1215.pdf .
• Croushore, D. (2010). An evaluation of inflation forecasts from surveys using real-time data. The B.E. Journal of Macroeconomics, 10(1), 1-32. https://doi.org/10.2202/1935-1690.1677 .
• Croushore, D. (2011). Frontiers of Real-Time Data Analysis. Journal of Economic Literature, 49(1), 72- 100. https://doi.org/10.1257/jel.49.1.72 .
• Croushore, D., Stark, T. (2001). A real-time data set for macroeconomists. Journal of Econometrics, 105(1), 111-130. https://doi.org/10.1016/S0304-4076(01)00072-0 .
• Croushore, D., Stark, T. (2002). Forecasting with a real-time data set for macroeconomists. Journal of Macroeconomics, 24 (4), 507-531.
• Elliott, G., Rothenberg, T. J. & Stock, J. H. (1992). Efficient tests for an autoregressive unit root (NBER Working Paper Np. T130). https://papers.ssrn.com/sol3/papers.cfm?abstract_id=995460 .
• Farebrother, R. W. (1980). Algorithm AS 153: Pan's Procedure for the Tail Probabilities of the Durbin-Watson Statistic. Journal of the Royal Statistical Society. Series C (Applied Statistics), 29(2), 224-227. https://doi.org/10.2307/2986316 .
• GUS. (2003-2017). Biuletyn statystyczny.
• GUS. (2016). Policy of Revising Statistical Data and Rules of Handling Publication Errors. https://bip.stat.gov.pl/dzialalnosc-statystyki-publicznej/polityka-rewizji-danych- statystycznych-oraz-zasady-postepowania-z-bledami-publikacyjnymi/ .
• Hope, A. C. A. (1968). A Simplified Monte Carlo Significance Test Procedure. Journal of the Royal Statistical Society. Series B (Methodological), 30(3), 582-598. https://doi.org/10.1111/j.2517-6161.1968.tb00759.x .
• Hyndman, R. J., Athanasopoulos, G. (2018). Forecasting: principles and practice. Melbourne: OTexts.
• Jönsson, K. (2011). Testing Stationarity in Small-and Medium-Sized Samples when Disturbances are Serially Correlated. Oxford Bulletin of Economics and Statistics, 73(5), 669-690. https://doi.org/10.1111/j.1468-0084.2010.00620.x .
• MacKinnon, J. G. (1996). Numerical distribution functions for unit root and cointegration tests. Journal of Applied Econometrics, 11(6), 601-618.
• Mahdi, E., McLeod, A. I. (2012). Improved multivariate portmanteau test. Journal of Time Series Analysis, 33(2), 211-222. https://doi.org/10.1111/j.1467-9892.2011.00752.x .
• Nelson, C. R., Plosser, C. I. (1982). Trends and random walks in macroeconomic time series: Some Evidence and Implications. Journal of Monetary Economics, 10(2), 139-162. https://doi.org/10.1016/0304-3932(82)90012 -5 .
• Patterson, K. D., Heravi, S. M. (1991). Data revisions and the expenditure components of GDP. The Economic Journal, 101(407), 887-901. https://doi.org/10.2307/2233861 .
• Patterson, K. D., Heravi, S. M. (2004). Revisions to Official Data on U.S. GNP: A Multivariate Assessment of Different Vintages. Journal of Official Statistics, 20(4), 573-602. https://www.scb.se/contentassets/ca21efb41fee47d293bbee5bf7be7fb3/revisions-to-official- data-on-u.s.-gnp-a-multivariate-assessment-of-different-vintages.pdf .
• Phillips, P. C. B., Xiao, Z. (1998). A primer on unit root testing. Journal of Economic Surveys, 12(5), 423-470. https://doi.org/10.1111/1467-6419.00064 .
• Ryan, K. F., Giles, D. E. A. (1998). Testing for unit roots in economic time-series with missing observations. Advances in Econometrics, 13, 203-242. https://doi.org/10.1108/S0731-9053(1999)0000013010 .
• Syczewska, E. M. (2010). Empirical power of the Kwiatkowski-Phillips-Schmidt-Shin test (Warsaw School of Economics Department of Applied Econometrics Working Papers, No. 3-10). https://ssl- kolegia.sgh.waw.pl/pl/KAE/struktura/IE/struktura/ZES/Documents/Working_Papers/aewp03- 10.pdf .
• Wüertz, D., Katzgraber, H. G. (2005). Precise finite-sample quantiles of the Jarque-Bera adjusted Lagrange multiplier test. https://arxiv.org/pdf/math/0509423.pdf .
• Ziembińska, P. (2017). The importance of data revision in the modeling process. Wiadomości Statystyczne, 62(2), 5-30. https://ws.stat.gov.pl/Article/2017/2/005-030 .

Identyfikatory

DOI

10.5604/01.3001.0014.7387