000001552 001__ 1552
000001552 005__ 20250211155833.0
000001552 0247_ $$a10.34989/swp-2010-10$$2DOI
000001552 035__ $$a10.34989/swp-2010-10
000001552 041__ $$aeng
000001552 084__ $$aC Mathematical and Quantitative Methods$$02849
000001552 084__ $$aC5 Econometric Modeling$$02889
000001552 084__ $$aC50 General$$02890
000001552 084__ $$aC53 Forecasting and Prediction Methods; Simulation Methods$$02893
000001552 084__ $$aE Macroeconomics and Monetary Economics$$03005
000001552 084__ $$aE3 Prices, Business Fluctuations, and Cycles$$03029
000001552 084__ $$aE37 Forecasting and Simulation: Models and Applications$$03033
000001552 084__ $$aE4 Money and Interest Rates$$03035
000001552 084__ $$aE47 Forecasting and Simulation: Models and Applications$$03041
000001552 245__ $$aOn the Advantages of Disaggregated Data: Insights from Forecasting the U.S. Economy in a Data-Rich Environment
000001552 269__ $$a2010
000001552 300__ $$a1 online resource (29 pages)
000001552 336__ $$aText
000001552 347__ $$bPDF
000001552 520__ $$aThe good forecasting performance of factor models has been well documented in the literature. While many studies focus on a very limited set of variables (typically GDP and inflation), this study evaluates forecasting performance at disaggregated levels to examine the source of the improved forecasting accuracy, relative to a simple autoregressive model. We use the latest revision of over 100 U.S. time series over the period 1974-2009 (monthly and quarterly data). We employ restrictions derived from national accounting identities to derive jointly consistent forecasts for the different components of U.S. GDP. In line with previous studies, we find that our factor model yields vastly improved forecasts for U.S. GDP, relative to simple autoregressive benchmark models, but we also conclude that the gains in terms of forecasting accuracy differ substantially between GDP components. As a rule of thumb, the largest improvements in terms of forecasting accuracy are found for relatively more volatile series, with the greatest gains coming from improvements of the forecasts for investment and trade. Consumption forecasts, in contrast, perform only marginally better than a simple AR benchmark model. In addition, we show that for most GDP components, an unrestricted, direct forecast outperforms forecasts subject to national accounting identity restrictions. In contrast, GDP itself is best forecasted as the sum of individual forecasts for GDP components, but the improvement over a direct, unconstrained factor forecast is small.$$7Abstract
000001552 520__ $$aLa qualité des prévisions issues des modèles factoriels a été largement documentée dans la littérature. À la différence des nombreuses recherches qui ont été menées sur un ensemble de variables très limité (généralement le PIB et l'inflation), la présente étude évalue la qualité des prévisions à des niveaux désagrégés, le but étant d'expliquer pourquoi un modèle factoriel a un pouvoir prédictif plus grand qu'un modèle autorégressif simple. Les auteurs utilisent la plus récente révision de plus de 100 séries chronologiques américaines couvrant la période de 1974 à 2009 (données mensuelles et trimestrielles). Ils emploient des restrictions dérivées des identités de la comptabilité nationale afin que les prévisions ayant trait aux différentes composantes du PIB soient conjointement compatibles. Conformément à ce qui ressort de travaux antérieurs, les auteurs constatent que leur modèle factoriel permet de prévoir le PIB avec beaucoup plus de précision que les modèles autorégressifs simples de référence, mais ils concluent également que les gains de précision varient considérablement selon la composante du PIB. De manière empirique, ils observent que ce sont les séries relativement plus volatiles – surtout celles de l''investissement et des échanges commerciaux – qui enregistrent les améliorations les plus marquées. Les prévisions portant sur la consommation, par contre, sont à peine plus précises que celles tirées d'un modèle autorégressif simple de référence. En outre, les auteurs montrent que, pour la plupart des composantes du PIB, une prévision directe et non restreinte donne des résultats plus précis que les prévisions restreintes par les identités de la comptabilité nationale. Quant au PIB lui-même, la meilleure façon de le prévoir consiste à faire la somme des prévisions relatives aux composantes individuelles, mais le gain de précision est faible par rapport à une prévision directe et non contrainte issue d'un modèle factoriel.$$7Résumé
000001552 540__ $$aCreative Commons Attribution 4.0 International$$uhttps://creativecommons.org/licenses/by/4.0/legalcode$$fCC-BY-4.0
000001552 6531_ $$aEconometric and statistical methods
000001552 6531_ $$aInternational topics
000001552 6531_ $$aMéthodes économétriques et statistiques
000001552 6531_ $$aQuestions internationales
000001552 7001_ $$aPerevalov, Nikita
000001552 7001_ $$aMaier, Philipp
000001552 789__ $$w1701-9397$$2ISSN$$eIsPartOf
000001552 8301_ $$aStaff Working Paper
000001552 8301_ $$aDocument de travail du personnel
000001552 8564_ $$909aee7ad-d656-4f84-9651-c1536d53d974$$s178999$$uhttps://www.oar-rao.bank-banque-canada.ca/record/1552/files/wp10-10.pdf$$zFile Source: Bank of Canada website, 2024
000001552 909CO $$ooai:www.oar-rao.bank-banque-canada.ca:1552$$pbibliographic
000001552 980__ $$aStaff Research
000001552 980__ $$aRDM
000001552 991__ $$aPublic