GDP modelling using factor model: impact of nested data on forecasting accuracy | IKP modelēšana ar faktoru modeli: hierarhiski strukturētu datu ietekme uz prognožu kvalitāti

Английский. Uncertainty associated with an optimal number of macroeconomic variables to be used in factor model is challenging since there is no criteria that states what kind of data should be used, how many variables to employ, and whether disaggregated data improve factor model’s forecasts. The paper studies the impact of nested macroeconomic data on Latvian GDP forecasting accuracy within factor modelling framework. Nested data means disaggregated data or subcomponents of aggregated variables. We employ Stock-Watson factor model in order to estimate factors and to make GDP projections two periods ahead. Root mean square error is employed as the standard tool to measure forecasting accuracy. According to this empirical study we conclude that additional information taken from disaggregated components of macroeconomic variables could be used to enhance Latvian GDP forecasting accuracy. The efficiency gain from improving forecasts is about 0.15–0.20 percentage points of year‑on‑year quarterly growth for the forecasting period 1 quarter ahead but for 2 quarters ahead the improvement is about half percentage point.

Латышский. Neskaidrība, kas ir saistīta ar makroekonomisko mainīgo skaitu faktoru modelī, ir problemātiska, jo nav atbilstoša kritērija, kurš norādītu, kāda veida datus un cik daudz mainīgo vajadzētu izmantot, un vai dezagregēti jeb hierarhiski strukturēti dati uzlabo faktoru modeļu prognozes. Šai rakstā pētīta hierarhiski strukturētu datu ietekme uz Latvijas IKP prognozēšanas precizitāti, izmantojot faktoru modeli, un lietots Stoka-Vatsona faktoru modelis, lai novērtētu faktorus un prognozētu IKP divus periodus uz priekšu. Prognozēšanas precizitātes novērtēšanai lietota vidējās kvadrātiskās kļūdas funkcija (RMSE). Atbilstoši iegūtiem rezultātiem secināts, ka papildu informācija no hierarhiski strukturētiem datiem varētu būt izmantota, lai paaugstinātu prognozēšanas precizitāti. Efektivitātes ieguvums varētu būt 0,15–0,2 procentpunkti gada pieauguma tempiem, prognozējot 1 periodu uz priekšu, un apmēram puse procentpunkta gada pieauguma tempiem, prognozējot 2 periodus uz priekšu.