Description
Abstract: This paper provides a framework for the early assessment of current U.S. nominal GDP growth, which has been considered a potential new monetary policy target. The nowcasts are computed using the exact amount of information that policy-makers have available at the time predictions are made. However, real-time information arrives at different frequencies and asynchronously, which poses challenges of mixed frequencies, missing data and ragged edges. This paper proposes a multivariate state-space model that not only takes into account asynchronous information inflow, but also allows for potential parameter instability. We use small-scale confirmatory factor analysis in which the candidate variables are selected based on their ability to forecast nominal GDP. The model is fully estimated in one step using a non-linear Kalman filter, which is applied to obtain optimal inferences simultaneously on both the dynamic factor and parameters. In contrast to principal component analysis, the proposed factor model captures the co-movement rather than the variance underlying the variables. We compare the predictive ability of the model with other univariate and multivariate specifications. The results indicate that the proposed model containing information on real economic activity, inflation, interest rates and Divisia monetary aggregates produces the most accurate real-time nowcasts of nominal GDP growth.
Résumé: Dans cette étude, les auteurs proposent un modèle qui permet d’évaluer de façon précoce la croissance actuelle du PIB nominal des États-Unis, laquelle est considérée comme une possible nouvelle cible de politique monétaire. Les prévisions concernant la période en cours sont établies à partir des mêmes informations dont disposent les décideurs à ce moment précis. Toutefois, les renseignements en temps réel leur parviennent à des intervalles différents et de manière asynchrone, ce qui cause plusieurs problèmes : fréquences diverses, données manquantes, valeurs absentes en fin d’échantillon. Dans cette étude, les auteurs proposent un modèle espace d’états multivarié qui non seulement prend en considération le flux asynchrone d’informations, mais tient compte aussi de l’instabilité éventuelle des paramètres. Ils utilisent une analyse factorielle confirmatoire à échelle réduite, les variables admissibles étant choisies selon leur potentiel de prévision du PIB nominal. L’estimation complète du modèle s’effectue en une seule étape, au moyen d’un filtre de Kalman non linéaire, qui sert à tirer simultanément des inférences optimales aussi bien sur le facteur dynamique que sur les paramètres. Contrairement à l’analyse en composantes principales, le modèle factoriel proposé fait ressortir la corrélation entre les variables plutôt que leur variance sous-jacente. Les auteurs comparent le potentiel prévisionnel du modèle avec d’autres spécifications univariées ou multivariées. D’après les résultats obtenus, le modèle proposé, qui exploite des renseignements sur l’activité de l’économie réelle, l’inflation, les taux d’intérêt et les agrégats monétaires de Divisia, donne les prévisions en temps réel les plus fiables de la croissance du PIB nominal pour la période en cours.
Résumé: Dans cette étude, les auteurs proposent un modèle qui permet d’évaluer de façon précoce la croissance actuelle du PIB nominal des États-Unis, laquelle est considérée comme une possible nouvelle cible de politique monétaire. Les prévisions concernant la période en cours sont établies à partir des mêmes informations dont disposent les décideurs à ce moment précis. Toutefois, les renseignements en temps réel leur parviennent à des intervalles différents et de manière asynchrone, ce qui cause plusieurs problèmes : fréquences diverses, données manquantes, valeurs absentes en fin d’échantillon. Dans cette étude, les auteurs proposent un modèle espace d’états multivarié qui non seulement prend en considération le flux asynchrone d’informations, mais tient compte aussi de l’instabilité éventuelle des paramètres. Ils utilisent une analyse factorielle confirmatoire à échelle réduite, les variables admissibles étant choisies selon leur potentiel de prévision du PIB nominal. L’estimation complète du modèle s’effectue en une seule étape, au moyen d’un filtre de Kalman non linéaire, qui sert à tirer simultanément des inférences optimales aussi bien sur le facteur dynamique que sur les paramètres. Contrairement à l’analyse en composantes principales, le modèle factoriel proposé fait ressortir la corrélation entre les variables plutôt que leur variance sous-jacente. Les auteurs comparent le potentiel prévisionnel du modèle avec d’autres spécifications univariées ou multivariées. D’après les résultats obtenus, le modèle proposé, qui exploite des renseignements sur l’activité de l’économie réelle, l’inflation, les taux d’intérêt et les agrégats monétaires de Divisia, donne les prévisions en temps réel les plus fiables de la croissance du PIB nominal pour la période en cours.