Description
Abstract: The good forecasting performance of factor models has been well documented in the literature. While many studies focus on a very limited set of variables (typically GDP and inflation), this study evaluates forecasting performance at disaggregated levels to examine the source of the improved forecasting accuracy, relative to a simple autoregressive model. We use the latest revision of over 100 U.S. time series over the period 1974-2009 (monthly and quarterly data). We employ restrictions derived from national accounting identities to derive jointly consistent forecasts for the different components of U.S. GDP. In line with previous studies, we find that our factor model yields vastly improved forecasts for U.S. GDP, relative to simple autoregressive benchmark models, but we also conclude that the gains in terms of forecasting accuracy differ substantially between GDP components. As a rule of thumb, the largest improvements in terms of forecasting accuracy are found for relatively more volatile series, with the greatest gains coming from improvements of the forecasts for investment and trade. Consumption forecasts, in contrast, perform only marginally better than a simple AR benchmark model. In addition, we show that for most GDP components, an unrestricted, direct forecast outperforms forecasts subject to national accounting identity restrictions. In contrast, GDP itself is best forecasted as the sum of individual forecasts for GDP components, but the improvement over a direct, unconstrained factor forecast is small.
Résumé: La qualité des prévisions issues des modèles factoriels a été largement documentée dans la littérature. À la différence des nombreuses recherches qui ont été menées sur un ensemble de variables très limité (généralement le PIB et l'inflation), la présente étude évalue la qualité des prévisions à des niveaux désagrégés, le but étant d'expliquer pourquoi un modèle factoriel a un pouvoir prédictif plus grand qu'un modèle autorégressif simple. Les auteurs utilisent la plus récente révision de plus de 100 séries chronologiques américaines couvrant la période de 1974 à 2009 (données mensuelles et trimestrielles). Ils emploient des restrictions dérivées des identités de la comptabilité nationale afin que les prévisions ayant trait aux différentes composantes du PIB soient conjointement compatibles. Conformément à ce qui ressort de travaux antérieurs, les auteurs constatent que leur modèle factoriel permet de prévoir le PIB avec beaucoup plus de précision que les modèles autorégressifs simples de référence, mais ils concluent également que les gains de précision varient considérablement selon la composante du PIB. De manière empirique, ils observent que ce sont les séries relativement plus volatiles – surtout celles de l''investissement et des échanges commerciaux – qui enregistrent les améliorations les plus marquées. Les prévisions portant sur la consommation, par contre, sont à peine plus précises que celles tirées d'un modèle autorégressif simple de référence. En outre, les auteurs montrent que, pour la plupart des composantes du PIB, une prévision directe et non restreinte donne des résultats plus précis que les prévisions restreintes par les identités de la comptabilité nationale. Quant au PIB lui-même, la meilleure façon de le prévoir consiste à faire la somme des prévisions relatives aux composantes individuelles, mais le gain de précision est faible par rapport à une prévision directe et non contrainte issue d'un modèle factoriel.
Résumé: La qualité des prévisions issues des modèles factoriels a été largement documentée dans la littérature. À la différence des nombreuses recherches qui ont été menées sur un ensemble de variables très limité (généralement le PIB et l'inflation), la présente étude évalue la qualité des prévisions à des niveaux désagrégés, le but étant d'expliquer pourquoi un modèle factoriel a un pouvoir prédictif plus grand qu'un modèle autorégressif simple. Les auteurs utilisent la plus récente révision de plus de 100 séries chronologiques américaines couvrant la période de 1974 à 2009 (données mensuelles et trimestrielles). Ils emploient des restrictions dérivées des identités de la comptabilité nationale afin que les prévisions ayant trait aux différentes composantes du PIB soient conjointement compatibles. Conformément à ce qui ressort de travaux antérieurs, les auteurs constatent que leur modèle factoriel permet de prévoir le PIB avec beaucoup plus de précision que les modèles autorégressifs simples de référence, mais ils concluent également que les gains de précision varient considérablement selon la composante du PIB. De manière empirique, ils observent que ce sont les séries relativement plus volatiles – surtout celles de l''investissement et des échanges commerciaux – qui enregistrent les améliorations les plus marquées. Les prévisions portant sur la consommation, par contre, sont à peine plus précises que celles tirées d'un modèle autorégressif simple de référence. En outre, les auteurs montrent que, pour la plupart des composantes du PIB, une prévision directe et non restreinte donne des résultats plus précis que les prévisions restreintes par les identités de la comptabilité nationale. Quant au PIB lui-même, la meilleure façon de le prévoir consiste à faire la somme des prévisions relatives aux composantes individuelles, mais le gain de précision est faible par rapport à une prévision directe et non contrainte issue d'un modèle factoriel.