Zastosowanie danych o różnej częstotliwości w prognozowaniu makroekonomicznym

• Authors: Lech Kujawski

Title variants

EN

Mixed Frequency Data in Macroeconomic Forecasting

• Languages of publication: PL

Abstracts

PL

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.

Keywords

PL

prognoza; zmienne zróżnicowanej częstotliwości; MIDAS; DFM

• Publisher: Wydział Zarządzania - Uniwersytet Gdański
• Journal: Zarządzanie i Finanse
• Year: 2013
• Volume: 3
• Issue: 2
• Pages: 129-146

Contributors

author

Lech Kujawski

• Dr, Katedra Ekonometrii, Wydział Zarządzania, Uniwersytet Gdański

References

• 1. Andreou E., Ghysels E., Kourtellos A. (2010), Forecasting with mixed-frequency data, “Oxford Handbook on Economy Forecasting”, Clements M.P., Hendry D.F. (red.).
• 2. Artis M., Banerjee A., Marcelino M. (2003), Factor forecast for the UK, “Bacconi University Working Paper”, Vol. 203.
• 3. Boivin J., Ng S. (2006), Are more data always better for factor analysis? “Journal of Econometrics”, No. 132(1).
• 4. 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).
• 5. Chamberlin G. (2007), Forecasting GDP using external data sources, “Economic and Labour Market Review”, Vol. 1, No. 8.
• 6. Chamberlin G. (2010), Real time data, “Economic and Labour Market Review”, Vol. 4(12).
• 7. Chen X., Ghysels E. (2009), News – good or bad – and its impact on predicting future volatility, “Review of Financial Studies”.
• 8. 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.
• 9. 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.
• 10. 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.
• 11. Croushore D. (2005), Forecasting with Real-Time Data Vintages, “University of Richmond Working Paper”.
• 12. 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.
• 13. Fair R. (2013), Macroeconometric Modeling, http://fairmodel.econ.yale.edu/mmm/mm.pdf.
• 14. Faust J., Rogers J., Wright J. (2005), News and noise in G7 announcements, “Centre for Economic Policy Research”, No. 12.
• 15. Forni M., Hallin M., Lippi M., Reichlin L. (2005), The Genaralized Dynamic Factor Model, “Journal of the American Statistical Association”, No. 100.
• 16. Ghysels E., Santa-Clara P., Valkanov R. (2004 a), The MIDAS touch: Mixed Data Sampling regression models, Chapel Hill, N.C.
• 17. 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”.
• 18. Jacobs J., van Norden S. (2011), Modeling data revisions: Measurement error and dynamics of “true” values, “Journal of Econometrics”, No. 161.
• 19. 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.
• 20. 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).
• 21. Mankiw N.G., Shapiro M.D. (1986), News of noise. An analysis of GNP revision, “Survey of Current Business”.
• 22. 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).
• 23. Miller P.J., Chin D.M. (1996), Using monthly data to improve quarterly model forecasts, “Federal Reserve Bank Minneapolis Quarterly Review”, 20.
• 24. Patterson K. (2002), The data measurement process for UK GNP: stochastic trends, long memory and unit roots, “Journal of Forecasting”, 21.
• 25. Richardson C. (2003), Revision analysis: a time series approach, “Economic Trends”, Vol. 12.
• 26. Schneider M., Spitzer M. (2004), Forecasting Austrian GDP using the generalized dynamic factor model, “Oesterreichische Nationalbank Working Paper”, Vol. 89.
• 27. Stark T., Croushore D. (2002), Forecasting with a real time data set for macroeconomists, “Journal of Macroeconomics”, Vol. 24.
• 28. Stock J., Watson M. (1999), Forecasting Inflation, “Journal of Monetary Economics”, Vol. 44.
• 29. Stock J., Watson M. (2002),.Macroeconomic Forecasting Using Diffusion Indexes, “Journal of Business and Economic Statistic”, Vol. 20(2).
• 30. Stock J., Watson M. (2005), Implications of Dynamic Factor Models for VAR Analysis, “NBER Working Papers”, 11467.
• 31. Stock J., Watson M. (2006), Forecasting with Many Predictors, “Handbook of Economic Forecasting”, Vol. 1.