Please use this identifier to cite or link to this item: http://hdl.handle.net/10419/113832
Authors: 
an de Meulen, Philipp
Year of Publication: 
2015
Citation: 
[Journal:] RWI Konjunkturberichte [ISSN:] 1861-6305 [Volume:] 66 [Year:] 2015 [Issue:] 2 [Pages:] 25-46
Abstract: 
Dieser Beitrag stellt das Kurzfristprognosemodell vor, welches das RWI zur Prognose der Veränderungsrate des vierteljährlichen BIP in Deutschland verwendet. Es basiert auf einer großen Zahl monatlicher Indikatoren, die nach Maßgabe ihres zusätzlichen Beitrags zur Erklärung des BIP angeordnet werden. Dieser Rangfolge entsprechend, wird die Auswahl von Indikatoren herangezogen, mit der in der Vergangenheit die beste Prognoseleitung erzielt wurde. Auf Quartalsdaten aggregiert, fließen die ausgewählten Indikatoren in ein System von Brückengleichungen ein, bei denen die Veränderungsrate des saisonbereinigten vierteljährlichen BIP entweder auf einen Indikator, oder auf einen Indikator und verzögerte Werte des BIP, oder auf eine Kombination von zwei Indikatoren regressiert werden. Die geschätzten Koeffizienten werden anschließend für die Prognose des BIP verwendet. Am aktuellen Rand fehlende Monatswerte werden unter Berücksichtigung saisonaler Sondereffekte autoregressiv geschätzt. Das Modell generiert eine große Zahl von Einzelprognosen, deren Mittelwert als BIP-Prognose interpretiert wird. Um deren Robustheit zu überprüfen, wird sie mit anderen Prognosen verglichen, die mit Hilfe komplexerer Gewichtungsschemata abgeleitet werden. Für Deutschland zeigt sich, dass eine Auswahl von nicht mehr als 30 Indikatoren von insgesamt 117 getesteten die Prognosegüte des Modells maximiert.
Abstract (Translated): 
This paper introduces the short term forecasting model, which is used as a forecasting tool for the German GDP at the RWI. The model is based on a number of targeted monthly predictors selected from a large set of potential indicators. The selection is conducted by means of a soft-thresholding algorithm, which ranks the whole set of potential indicators according to their marginal predictive power. Based on this order, we evaluate the past forecast precision of various subsets to identify our targeted predictors. In what follows, we set up a system of bridge equations, in which quarterly GDP growth is regressed on quarterly aggregates of the targeted predictors. The regression equations either consist of one indicator, one indicator plus lagged values of GDP, or a combination of two different indicators as explanatory variables. Estimated in sample, the regression coefficients enter the forecast equations. To tackle the ragged edge problem, the respective missing monthly indicator values are forecast by means of autoregressive model, augmented by seasonal information with regards to unusual weather and the scheduling of summer vacation. To pool the plethora of single forecasts, we calculate the mean of them, but check the robustness of mean forecasts with regards to using pooling schemes which account for models' past forecast errors. We find that forecast errors are lowest using less than 30 from the 117 available indicators.
Document Type: 
Article

Files in This Item:
File
Size
343.15 kB





Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.