Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/213077 
Autor:innen: 
Erscheinungsjahr: 
2020
Schriftenreihe/Nr.: 
Ruhr Economic Papers No. 838
Verlag: 
RWI - Leibniz-Institut für Wirtschaftsforschung, Essen
Zusammenfassung: 
We investigate the predictive power of several leading indicators in order to forecast industrial production in Germany. In addition, we compare their predictive performance with variables from two competing categories, namely macroeconomic and financial variables. The predictive power within and between these three categories is evaluated by applying Dynamic Model Averaging (DMA) which allows for timevarying coefficients and model change. We find that leading indicators have the largest predictive power. Macroeconomic variables, in contrast, are weak predictors as they are even not able to outperform a benchmark AR model, while financial variables are clearly inferior in terms of their predictive power compared to leading indicators. We show that the best set of predictors, within and between categories, changes over time and depends on the forecast horizon. Furthermore, allowing for time-varying model size is especially crucial after the Great Recession.
Zusammenfassung (übersetzt): 
Dieser Beitrag vergleicht die Prognoseeigenschaften konjunktureller Frühindikatoren, makroökonomischer Indikatoren und unterschiedlicher Finanzmarktindikatoren, um die Industrieproduktion in Deutschland vorherzusagen. Die Prognoseeigenschaften, innerhalb und zwischen diesen drei Variablen-Kategorien, werden mit Hilfe von Dynamic Model Averaging (DMA) evaluiert. Innerhalb dieses Ansatzes können sich sowohl die Koeffizienten als auch das gesamte Vorhersagemodell in Bezug auf seine Größe und Zusammensetzung über die Zeit verändern. Die Ergebnisse zeigen, dass konjunkturelle Frühindikatoren hierbei die besten Prognoseeigenschaften aufweisen. Makroökonomische Variablen verfügen im direkten Vergleich über deutlich schwächere Prognoseeigenschaften, da ihre Prognosefehler größer sind als die des Benchmark AR-Modells, während Finanzmarktindikatoren lediglich im Vergleich mit den konjunkturellen Frühindikatoren schlechter abschneiden. Die Untersuchung zeigt zudem, dass sich die Zahl und Zusammensetzung der besten Prädiktoren, innerhalb und zwischen den Kategorien, über die Zeit verändert und vom entsprechenden Prognosehorizont abhängt. Des Weiteren zeigen die Ergebnisse, dass sich insbesondere die durchschnittliche Modellgröße seit der Finanzkrise spürbar erhöht hat.
Schlagwörter: 
forecasting
industrial production
model averaging
leading indicator
time-varying parameter
JEL: 
C11
C52
E23
E27
Persistent Identifier der Erstveröffentlichung: 
ISBN: 
978-3-86788-971-1
Dokumentart: 
Working Paper

Datei(en):
Datei
Größe
694.39 kB





Publikationen in EconStor sind urheberrechtlich geschützt.