000002488 001__ 2488
000002488 005__ 20250211155911.0
000002488 0247_ $$a10.34989/swp-2011-11$$2DOI
000002488 035__ $$a10.34989/swp-2011-11
000002488 041__ $$aeng
000002488 084__ $$aC Mathematical and Quantitative Methods$$02849
000002488 084__ $$aC5 Econometric Modeling$$02889
000002488 084__ $$aC50 General$$02890
000002488 084__ $$aC53 Forecasting and Prediction Methods; Simulation Methods$$02893
000002488 084__ $$aE Macroeconomics and Monetary Economics$$03005
000002488 084__ $$aE3 Prices, Business Fluctuations, and Cycles$$03029
000002488 084__ $$aE37 Forecasting and Simulation: Models and Applications$$03033
000002488 084__ $$aE4 Money and Interest Rates$$03035
000002488 084__ $$aE47 Forecasting and Simulation: Models and Applications$$03041
000002488 245__ $$aMixed Frequency Forecasts for Chinese GDP
000002488 269__ $$a2011
000002488 300__ $$a1 online resource (iii, 29 pages)
000002488 336__ $$aText
000002488 347__ $$bPDF
000002488 520__ $$aWe evaluate different approaches for using monthly indicators to predict Chinese GDP for the current and the next quarter (‘nowcasts’ and ‘forecasts’, respectively). We use three types of mixed-frequency models, one based on an economic activity indicator (Liu et al., 2007), one based on averaging over indicator models (Stock and Watson, 2004), and a static factor model (Stock and Watson, 2002). Evaluating all models’ out-of-sample projections, we find that all the approaches can yield considerable improvements over naïve AR benchmarks. We also analyze pooling across forecasting methodologies. We find that the most accurate nowcast is given by a combination of a factor model and an indicator model. The most accurate forecast is given by a factor model. Overall, we conclude that these models, or combinations of these models, can yield improvements in terms of RMSE’s of up to 60 per cent over simple AR benchmarks.$$7Abstract
000002488 520__ $$aL'auteur évalue différentes approches fondées sur l'emploi d'indicateurs mensuels pour prévoir le PIB chinois pour le trimestre courant et le trimestre à venir. Il a recours à trois techniques d'estimation à fréquence mixte : la première est basée sur un indicateur de l'activité économique (Liu et autres, 2007); la deuxième utilise la moyenne des valeurs calculées au moyen de différents modèles indicateurs (Stock et Watson, 2004); la dernière fait appel à un modèle factoriel statique (Stock et Watson, 2002). D'après les résultats qu'il obtient, chacune de ces approches peut produire des projections hors échantillon bien meilleures que des modèles autorégressifs simples. L'auteur examine également si le fait de combiner les méthodes de prévision offre des avantages. Il constate que la prévision la plus exacte pour le trimestre courant résulte de la combinaison d'un modèle factoriel et d'un modèle indicateur. La meilleure prévision pour le trimestre à venir est tirée d'un modèle factoriel. L'auteur conclut globalement que ces modèles, ou des combinaisons de ceux-ci, donnent lieu à des réductions pouvant aller jusqu'à 60 % de la racine de l'erreur quadratique moyenne par rapport à des modèles autorégressifs simples.$$7Résumé
000002488 540__ $$aCreative Commons Attribution 4.0 International$$uhttps://creativecommons.org/licenses/by/4.0/legalcode$$fCC-BY-4.0
000002488 6531_ $$aEconometric and statistical methods
000002488 6531_ $$aInternational topics
000002488 6531_ $$aMéthodes économétriques et statistiques
000002488 6531_ $$aQuestions internationales
000002488 7001_ $$aMaier, Philipp
000002488 789__ $$w1701-9397$$2ISSN$$eIsPartOf
000002488 8301_ $$aStaff Working Paper
000002488 8301_ $$aDocument de travail du personnel
000002488 8564_ $$uhttps://www.oar-rao.bank-banque-canada.ca/record/2488/files/wp11-11.pdf$$9539b7de9-2155-4f1c-8acc-c22d74fdb02f$$s478064$$zFile Source: Bank of Canada website, 2024
000002488 909CO $$ooai:www.oar-rao.bank-banque-canada.ca:2488$$pbibliographic
000002488 980__ $$aStaff Research
000002488 980__ $$aRDM
000002488 991__ $$aPublic