000001407 001__ 1407
000001407 005__ 20250211155820.0
000001407 0247_ $$a10.34989/swp-2007-8$$2DOI
000001407 035__ $$a10.34989/swp-2007-8
000001407 041__ $$aeng
000001407 084__ $$aC Mathematical and Quantitative Methods$$02849
000001407 084__ $$aC3 Multiple or Simultaneous Equation Models; Multiple Variables$$02871
000001407 084__ $$aC32 Time-Series Models; Dynamic Quantile Regressions; Dynamic Treatment Effect Models; Diffusion Processes; State Space Models$$02874
000001407 084__ $$aE Macroeconomics and Monetary Economics$$03005
000001407 084__ $$aE3 Prices, Business Fluctuations, and Cycles$$03029
000001407 084__ $$aE37 Forecasting and Simulation: Models and Applications$$03033
000001407 245__ $$aEvaluating Forecasts from Factor Models for Canadian GDP Growth and Core Inflation
000001407 260__ $$bBank of Canada
000001407 269__ $$a2007
000001407 300__ $$a1 online resource (iii, 49 pages)
000001407 336__ $$aText
000001407 347__ $$bPDF
000001407 520__ $$aThis paper evaluates the performance of static and dynamic factor models for forecasting Canadian real output growth and core inflation on a quarterly basis. We extract the common component from a large number of macroeconomic indicators, and use the estimates to compute out-of-sample forecasts under a recursive and a rolling scheme with different window sizes. Forecasts from factor models are compared with those from AR(p) models as well as IS- and Phillips-curve models. We find that factor models can improve the forecast accuracy relative to standard benchmark models, for horizons of up to 8 quarters. Forecasts from our proposed factor models are also less prone to committing large errors, in particular when the horizon increases. We further show that the choice of the sampling-scheme has a large influence on the overall forecast accuracy, with smallest rolling-window samples generating superior results to larger samples, implying that using "limited-memory" estimators contribute to improve the quality of the forecasts.$$7Abstract
000001407 520__ $$aLes auteurs évaluent la capacité de modèles factoriels statiques et dynamiques à prévoir, sur une base trimestrielle, la croissance du PIB réel du Canada et l'inflation mesurée par l'indice de référence. Une fois le facteur commun extrait d'un vaste ensemble d'indicateurs macro-économiques, ils utilisent les modèles estimés pour produire des prévisions hors échantillon au moyen de deux méthodes; l'une est de type récursif, et l'autre fait appel à une fenêtre glissante de longueur variable. Les prévisions issues des modèles factoriels sont comparées à celles tirées d'un modèle autorégressif d'ordre p, d'un modèle fondé sur une courbe IS et d'un modèle formalisant une courbe de Phillips. Les auteurs constatent qu'aux horizons inférieurs à neuf trimestres, les modèles factoriels donnent de meilleures prévisions que les modèles de prévision habituels. Les modèles factoriels proposés sont également moins susceptibles de générer de larges erreurs, en particulier quand l'horizon s'allonge. Les auteurs montrent en outre que le choix du schéma d'échantillonnage influe grandement sur la qualité générale des prévisions, les fenêtres glissantes de petite taille donnant de meilleurs résultats que les gros échantillons. L'emploi d'estimateurs à « mémoire limitée » contribuerait par conséquent à améliorer la qualité des prévisions.$$7Résumé
000001407 540__ $$aCreative Commons Attribution 4.0 International$$uhttps://creativecommons.org/licenses/by/4.0/legalcode$$fCC-BY-4.0
000001407 6531_ $$aEconometric and statistical methods
000001407 6531_ $$aMéthodes économétriques et statistiques
000001407 7001_ $$aDemers, Frédérick
000001407 7001_ $$aCheung, Calista
000001407 789__ $$w1701-9397$$2ISSN$$eIsPartOf
000001407 8301_ $$aStaff Working Paper
000001407 8301_ $$aDocument de travail du personnel
000001407 8564_ $$uhttps://www.oar-rao.bank-banque-canada.ca/record/1407/files/wp07-8.pdf$$9e06d9fab-d755-4e2d-abd0-2d90ee13f3c2$$s564480$$zFile Source: Bank of Canada website, 2024
000001407 909CO $$ooai:www.oar-rao.bank-banque-canada.ca:1407$$pbibliographic
000001407 980__ $$aStaff Research
000001407 980__ $$aRDM
000001407 991__ $$aPublic