Generating short-term forecasts of the Lithuanian GDP using factor models

LTDuomenų gausa, šiais laikais prieinama ekonomistams, ne tik suteikia galimybę tiksliau numatyti ateityje įvyksiančius ekonominius procesus, bet ir iškelia problemą, kaip efektyviai tuos duomenis panaudoti. Taikant įprastinius ekonometrinius metodus – regresiją, vektorinę autoregresiją – dėl didelio vertinamų parametrų skaičiaus galima įtraukti tik ribotą skaičių kintamųjų, todėl pravartūs tam tikri duomenų dimensijos mažinimo metodai. Įvairūs dimensijos mažinimo metodai ir yra faktorinio modeliavimo pagrindas. Šiame straipsnyje, naudojant 52 mėnesines Lietuvos ir užsienio ekonominių duomenų laiko eilutes, vertinami trys dažnai taikomi faktoriniai modeliai: pagrindinių komponenčių modelis, apibendrintasis pagrindinių komponenčių modelis ir būsenų erdvės modelis. Straipsnyje keliama mintis, kad sudarant faktorius pagal šiuos metodus, gali būti prarandama BVP prognozavimui svarbi informacija, nes visiškai neatsižvelgiama į tai, kad faktoriai bus naudojami konkrečiam kintamajam, t. y. BVP, prognozuoti. Atsižvelgiant į šį pastebėjimą, straipsnyje taip pat nagrinėjamos kelios faktorinių modelių specifikacijos, susiejančios faktorių sudarymo procedūrą su BVP prognozavimu. Įvairių faktorinio modelio specifikacijų prognozavimo tikslumas tikrinamas atliekant pseudo realaus laiko prognozavimo pratimą: pasirinkus laikotarpį nuo 2000 m. antrojo ketvirčio iki 2011 m. pirmojo ketvirčio, kiekvieną mėnesį skaičiuojamos einamojo, kito ir dviejų ateinančių ketvirčių BVP prognozės, naudojantis tik ta informacija, kuri turėtų būti prieinama tuo metu. Modelių prognozių tikslumas įvertinamas lyginant prognozių vidutines kvadratines ir absoliutines paklaidas.Gauti rezultatai leidžia teigti, kad faktoriniais modeliais einamojo ir kito ketvirčio Lietuvos BVP augimas prognozuojamas tiksliau nei baziniu modeliu, tačiau vienareikšmiškai suranguoti faktorinių modelių specifikacijų pagal prognozių tikslumą negalima. Iš faktorinių modelių modifikacijų, numatančių faktorių naudojimą BVP prognozuoti, tinkamiausias pasirodė vadinamasis svertinis pagrindinių komponenčių modelis bei modelis, papildytas kintamųjų išrinkimu, bet vienareikšmiškai išskirti geriausios specifikacijos irgi negalima. Straipsnio autoriaus taip pat išbandomas mažos apimties faktorinis modelis, pagal kurį faktoriams sudaryti naudojami penki ekonomiškai svarbūs mėnesiniai rodikliai. Stebėtina, tačiau tokio modelio prognozės tikslesnės nei modelio, pagrįsto 52 kintamaisiais. Tai leidžia manyti, kad mažesnės apimties faktoriniai modeliai trumpojo laikotarpio Lietuvos BVP prognozuoti, ko gero, labiau tinka.

ENThe paper focuses on short-term Lithuanian GDP forecasting using a large monthly dataset. The forecasting accuracy of various factor model specifications is assessed using the out-of-sample forecasting exercise. It is argued that factor extraction by using a simple principal components method might lead to a loss of important information related to GDP forecasting, therefore, other methods should be also considered. Performance of several factor models, which relate the factor extraction step to GDP forecasting, was tested. The effect of using weighted principal components model, with weights depending on variables’ absolute correlation with GDP, was explored in greater detail. Although factor models performed better than naive benchmark forecast for GDP nowcasting and one quarter ahead forecasting, we were unable to set up the ranking among different factor model specifications. We also find that a small scale factor model with five variables (which could be regarded as the most important monthly variables for GDP nowcasting) is able to nowcast GDP better than models with a full dataset of 52 variables, which might indicate that for the case of the Lithuanian economy, a smaller scale factor models may be more suitable.