Applications in Nowcasting: improving forecasting performance with mixed frequencies

Abstract

In this dissertation we consider ways to forecast and nowcast the evolution of the growth rate of the Greek Real Gross Domestic Product (GDP). Investigate, whether the use of bridge models can lead to performance enhancements in forecasting real GDP growth for Greece. Based on the obvious break in Greek Real GDP growth during the crisis we highlighted the potential usefulness of such models in forecasting the anticipated recovery in Greek growth. Since many monthly activity indicators are released in advance of GDP growth it is interesting to see how the structure and timing of bridge models can lead to potential improvements in forecasting growth. Our results indicate that by using higher-frequency business cycle indicators such performance enhancements are indeed possible. In order to confirm the suitability of the method used for the case of Greece we applied the same methodology for six European countries such as Cyprus, Ireland, Germany, Portugal, Spain and UK. The choice of Germany and UK has been based mainly due to the fact that are economically and demographically the biggest members of the European Union. Cyprus, Ireland, Portugal and Spain has been chosen because there similar economies compared to Greece’s. Moreover, we explore information in more timely indicators that are available at a higher frequency to improve the forecast of quarterly output growth and, more importantly, examine the effect of data revisions in model selection. In our analysis we focus on three kinds of models, benchmarks, bridge models and factor analysis models trying to understand the effect that the crisis had on both data, informational content of explanatory variables and predictive ability of various models. Our results suggest that not only do we observed large changes in the informational content due to data revisions but the models with highest predictive ability are varying based on both the predictive variables being used and the point in time of the forecast origin. It is therefore important to consider an array of models when nowcasting, especially under periods of higher volatility and data revisions, as in the case of Greece.

Σκοπός της τρέχουσας διατριβής είναι να εξετάσουμε τρόπους για την πρόβλεψη του ρυθμού ανάπτυξης του ελληνικού πραγματικού Ακαθάριστου Εγχώριου Προϊόντος (ΑΕΠ). Διερευνήσαμε εάν, η χρήση bridge μοντέλων μπορεί να οδηγήσει σε βελτιώσεις των επιδόσεων, στην πρόβλεψη του πραγματικού ΑΕΠ, για την Ελλάδα. Με βάση την προφανή μείωση του ΑΕΠ κατά τη διάρκεια της κρίσης, τονίσαμε τη δυνητική χρησιμότητα τέτοιων μοντέλων, στην πρόβλεψη της αναμενόμενης ανάκαμψης της ελληνικής ανάπτυξης. Δεδομένου ότι πολλοί δείκτες μηνιαίας δραστηριότητας δημοσιοποιούνται πρότερα του ΑΕΠ, είναι ενδιαφέρον να δούμε, πώς η δομή και ο χρόνος των bridge μοντέλων μπορούν να οδηγήσουν σε πιθανές βελτιώσεις στην πρόβλεψη της ανάπτυξης. Τα αποτελέσματα, μας δείχνουν ότι με τη χρήση δεικτών επιχειρηματικού κύκλου υψηλότερων συχνοτήτων, οι βελτιώσεις αυτές είναι πράγματι δυνατές. Προκειμένου, να επιβεβαιωθεί η καταλληλότητα της μεθόδου που χρησιμοποιήθηκε, για την περίπτωση της Ελλάδας, εφαρμόσαμε την ίδια μεθοδολογία σε έξι ευρωπαϊκές χώρες όπως: η Κύπρος, η Ιρλανδία, η Γερμανία, η Πορτογαλία, η Ισπανία και το Ηνωμένο Βασίλειο. Η επιλογή της Γερμανίας και του Ηνωμένου Βασιλείου, βασίστηκε κυρίως στο γεγονός ότι, είναι οικονομικά και δημογραφικά τα μεγαλύτερα μέλη της Ευρωπαϊκής Ένωσης. Η Κύπρος, η Ιρλανδία, η Πορτογαλία και η Ισπανία, έχουν επιλεγεί επειδή είναι παρόμοιες οικονομίες με της Ελλάδας. Επιπλέον, χρησιμοποιήσαμε περισσότερους δείκτες, που είναι διαθέσιμοι με μεγαλύτερη συχνότητα για να βελτιώσουμε την πρόβλεψη τριμηνιαίας αύξησης της παραγωγής και, το πιο σημαντικό είναι ότι εξετάζουμε την επίδραση των αναθεωρήσεων των δεδομένων στην επιλογή μοντέλου. Στην ανάλυσή μας εστιάζουμε σε τρία είδη μοντέλων, ορόσημα, bridge μοντέλα και μοντέλα ανάλυσης παραγόντων που προσπαθούν να κατανοήσουν την επίδραση που είχε η κρίση τόσο στα δεδομένα όσο και στο ενημερωτικό περιεχόμενο των επεξηγηματικών μεταβλητών και στην πρόβλεψη των διαφόρων μοντέλων. Τα αποτελέσματά μας υποδηλώνουν ότι όχι μόνο παρατηρούμε μεγάλες αλλαγές στο πληροφοριακό περιεχόμενο λόγω αναθεωρήσεων δεδομένων, αλλά τα μοντέλα με την υψηλότερη προβλεπτική ικανότητα ποικίλλουν ανάλογα τόσο με τις προβλεπόμενες μεταβλητές που χρησιμοποιούνται όσο και με το χρονικό σημείο της πρόβλεψης προέλευσης. Επομένως, είναι σημαντικό να εξεταστεί ένα εύρος μοντέλων για να πραγματοποιηθούν προβλέψεις, ιδίως σε περιόδους υψηλότερης μεταβλητότητας και αναθεωρήσεων δεδομένων, όπως στην περίπτωση της Ελλάδας.