Description
Abstract: This paper introduces new weighting schemes for model averaging when one is interested in combining discrete forecasts from competing Markov-switching models. In particular, we extend two existing classes of combination schemes – Bayesian (static) model averaging and dynamic model averaging – so as to explicitly reflect the objective of forecasting a discrete outcome. Both simulation and empirical exercises show that our new combination schemes outperform competing combination schemes in terms of forecasting accuracy. In the empirical application, we estimate and forecast U.S. business cycle turning points with state-level employment data. We find that forecasts obtained with our best combination scheme provide timely updates of the U.S. business cycles.
Résumé: Les auteurs présentent de nouvelles méthodes de pondération pour la combinaison de prévisions de variables discrètes issues de différents modèles de Markov à changement de régime. Plus particulièrement, ils étendent deux classes existantes de méthodes de combinaison – combinaison de prévisions établies au moyen de modèles bayésiens (statiques) et combinaison dynamique de prévisions – de manière à correspondre explicitement à l’objectif assigné à l’exercice de prévision d’une variable discrète. Les simulations et l’application empirique montrent qu’en ce qui a trait à l’exactitude des prévisions, les nouvelles méthodes de combinaison surclassent les méthodes de combinaison concurrentes. S’agissant de l’application empirique, les auteurs estiment et prévoient les points de retournement du cycle de l’économie américaine à l’aide de données sur l’emploi provenant des États. Ils constatent que les prévisions obtenues à partir de leur meilleure méthode de combinaison fournissent des renseignements en temps opportun sur les cycles économiques aux États-Unis.
Résumé: Les auteurs présentent de nouvelles méthodes de pondération pour la combinaison de prévisions de variables discrètes issues de différents modèles de Markov à changement de régime. Plus particulièrement, ils étendent deux classes existantes de méthodes de combinaison – combinaison de prévisions établies au moyen de modèles bayésiens (statiques) et combinaison dynamique de prévisions – de manière à correspondre explicitement à l’objectif assigné à l’exercice de prévision d’une variable discrète. Les simulations et l’application empirique montrent qu’en ce qui a trait à l’exactitude des prévisions, les nouvelles méthodes de combinaison surclassent les méthodes de combinaison concurrentes. S’agissant de l’application empirique, les auteurs estiment et prévoient les points de retournement du cycle de l’économie américaine à l’aide de données sur l’emploi provenant des États. Ils constatent que les prévisions obtenues à partir de leur meilleure méthode de combinaison fournissent des renseignements en temps opportun sur les cycles économiques aux États-Unis.