PL
Celem badania było sprawdzenie, czy uwzględnienie w modelu dynamicznym zmiennych o częstotliwości wyższej niż częstotliwość zmiennej objaśnianej statystycznie istotnie poprawia jakość (dopasowanie) prognoz makroekonomicznych. Prognozy makroekonomiczne wyznaczane były z modeli dynamicznych łączących zmiennie o zróżnicowanej częstotliwości znanych jako regresja MIDAS, następnie porównywane były z prognozami tych samych kategorii ekonomicznych uzyskanych z modeli DFM, ARIMA, VAR. Do oszacowania modeli, prognozowania krótkookresowego (horyzont prognozy h=1) i symulacji ośmiu sesji prognostycznych wykorzystano dane czasu rzeczywistego odnoszące się do gospodarki USA. Z przeprowadzonych badań wynika, że dynamiczny model MIDAS (AR-MIDAS) i model VAR dostarczyły najbardziej precyzyjnych prognoz, prognozy z modeli DFM i ARIMA okazały się statystycznie miej precyzyjne. Spośród dwóch klas modeli dostarczających najbardziej precyzyjnych prognoz (AR-MIDAS, VAR) jedynie AR-MIDAS wygenerował prognozy, prawidłowo przewidując wszystkie punkty zwrotne, cech tej nie miały prognozy VAR. Z tego powodu można rekomendować wykorzystanie modeli AR-MIDAS do prognoz typu now-casting.