000001579 001__ 1579
000001579 005__ 20250211155836.0
000001579 0247_ $$a10.34989/swp-2010-37$$2DOI
000001579 035__ $$a10.34989/swp-2010-37
000001579 041__ $$aeng
000001579 084__ $$aC Mathematical and Quantitative Methods$$02849
000001579 084__ $$aC5 Econometric Modeling$$02889
000001579 084__ $$aC50 General$$02890
000001579 084__ $$aC53 Forecasting and Prediction Methods; Simulation Methods$$02893
000001579 084__ $$aE Macroeconomics and Monetary Economics$$03005
000001579 084__ $$aE3 Prices, Business Fluctuations, and Cycles$$03029
000001579 084__ $$aE37 Forecasting and Simulation: Models and Applications$$03033
000001579 084__ $$aE4 Money and Interest Rates$$03035
000001579 084__ $$aE47 Forecasting and Simulation: Models and Applications$$03041
000001579 245__ $$a‘Lean' versus ‘Rich' Data Sets: Forecasting during the Great Moderation and the Great Recession
000001579 269__ $$a2010
000001579 300__ $$a1 online resource (41 pages)
000001579 336__ $$aText
000001579 347__ $$bPDF
000001579 520__ $$aWe evaluate forecasts for the euro area in data-rich and ‘data-lean' environments by comparing three different approaches: a simple PMI model based on Purchasing Managers' Indices (PMIs), a dynamic factor model with euro area data, and a dynamic factor model with data from the euro plus data from national economies (pseudo-real time data). We estimate backcasts, nowcasts and forecasts for GDP, components of GDP, and GDP of all individual euro area members, and examine forecasts for the ‘Great Moderation' (2000-2007) and the ‘Great Recession' (2008-2009) separately. All models consistently beat naïve AR benchmarks. More data does not necessarily improve forecasting accuracy: For the factor model, adding monthly indicators from national economies can lead to more uneven forecasting accuracy, notably when forecasting components of euro area GDP during the Great Recession. This suggests that the merits of national data may reside in better estimation of heterogeneity across GDP components, rather than in improving headline GDP forecasts for individual euro area countries. Comparing factor models to the much simpler PMI model, we find that the dynamic factor model dominates the latter during the Great Moderation. However, during the Great Recession, the PMI model has the advantage that survey-based measures respond faster to changes in the outlook, whereas factor models are more sluggish in adjusting. Consequently, the dynamic factor model has relatively more difficulties beating the PMI model, with relatively large errors in forecasting some countries or components of euro area GDP.$$7Abstract
000001579 520__ $$aLes auteurs cherchent à évaluer comment la plus ou moins grande richesse des données utilisées influe sur la qualité des prévisions touchant la zone euro. Pour ce faire, ils comparent trois approches : 1) la prévision au moyen d'un modèle simple fondé sur les indices des directeurs d'achats (ci-après « modèle PMI » pour Purchasing Managers' Indices); 2) le recours à un modèle factoriel dynamique estimé à partir de données en temps quasi réel se rapportant à l'ensemble de la zone euro; 3) le recours au modèle et aux statistiques en question en conjonction avec des données relatives aux économies nationales. Les auteurs établissent des prévisions concernant le PIB global de la zone euro, ses composantes et le PIB de chacun des pays membres de la zone euro pour le trimestre précédent, le trimestre courant et le trimestre à venir. Ils examinent aussi séparément les prévisions obtenues pour la période 2000-2007 (ce qu'on a appelé la « Grande Modération ») et la période 2008-2009 (la « Grande Récession »). Les modèles considérés produisent des prévisions systématiquement meilleures que des modèles autorégressifs simples. L'emploi de données plus riches ne procure pas toujours un gain de précision. L'ajout au modèle factoriel d'indicateurs nationaux mensuels peut altérer la qualité de la prévision, surtout lorsqu'il s'agit de prévoir l'évolution des composantes du PIB de la zone euro durant les années 2008 et 2009. Les données nationales seraient donc plus utiles pour l'estimation de l'hétérogénéité des composantes du PIB global que pour la prévision des PIB nationaux. Si l'on s'en tient aux prévisions élaborées pour la période 2000-2007, le modèle factoriel dynamique l'emporte sur le modèle PMI, beaucoup plus simple. Si l'on se penche sur les années 2008-2009, toutefois, le second modèle offre un avantage sur le premier, puisque les mesures tirées d'enquêtes réagissent plus rapidement aux modifications des perspectives que les modèles factoriels. Le modèle factoriel dynamique ne domine plus alors le modèle PMI, et les prévisions obtenues pour certains pays ou certaines composantes du PIB de la zone euro comportent des erreurs relativement importantes.$$7Résumé
000001579 540__ $$aCreative Commons Attribution 4.0 International$$uhttps://creativecommons.org/licenses/by/4.0/legalcode$$fCC-BY-4.0
000001579 6531_ $$aEconometric and statistical methods
000001579 6531_ $$aInternational topics
000001579 6531_ $$aMéthodes économétriques et statistiques
000001579 6531_ $$aQuestions internationales
000001579 7001_ $$aLombardi, Marco J.
000001579 7001_ $$aMaier, Philipp
000001579 789__ $$w1701-9397$$2ISSN$$eIsPartOf
000001579 8301_ $$aStaff Working Paper
000001579 8301_ $$aDocument de travail du personnel
000001579 8564_ $$9305e7da3-ccd3-4baf-9618-d116d9b29d87$$s376755$$uhttps://www.oar-rao.bank-banque-canada.ca/record/1579/files/wp10-37.pdf$$zFile Source: Bank of Canada website, 2024
000001579 909CO $$ooai:www.oar-rao.bank-banque-canada.ca:1579$$pbibliographic
000001579 980__ $$aStaff Research
000001579 980__ $$aRDM
000001579 991__ $$aPublic