Visuminio vartojimo ir investicijų trumpalaikis prognozavimas panaudojant faktorinius modelius

Abstract

Atliekamas trumpalaikis ketvirtinių Lietuvos visuminio vartojimo ir investicijų augimo tempų prognozavimas. Modeliai, kuriems naudojami mėnesiniai duomenys, palyginami su modeliais, dažniausiai taikomais ketvirtinių duomenų prognozavimui. Trumpalaikis prognozavimas faktoriniais modeliais yra populiarus įvairiose Europos šalyse, tačiau Lietuvoje jis dar nėra pakankamai ištirtas ir plačiai taikomas daugiausiai dėl trumpų laiko eilučių. Tai yra pirmasis toks tyrimas, kai faktorinis modeliavimas taikomas Lietuvos vartojimo ir investicijų augimo tempams. Šiame darbe naudojamos 187 mėnesinio dažnumo laiko eilutės (finansiniai rodikliai, realūs duomenys, kainų, akcijų indeksai, nekilnojamojo turto kainų indeksas, valiutų kursai), apimančios 1995 m. sausio - 2008 m. gruodžio laikotarpį. Atlikta duomenų tinkamumo analizė parodė, kad, pagal Kaiserio, Meyerio ir Olkino testą, apie 70 proc. šių laiko eilučių yra tinkamos faktorinei analizei. Ketvirtiniai faktoriai yra išskiriami iš mėnesinių rodiklių naudojant pagrindinių komponenčių metodą. Prognozavimas 4 žingsniais į priekį už imties ribų (nuo 2003 iki 2008 m.) atliekamas naudojant pirmos eilės autoregresijos, atsitiktinio klajojimo ir jungiamųjų lygčių modelius. Modelių palyginimui naudojamas šaknies iš vidutinės kvadratinės paklaidos matas. Gauta, kad prognozavimas faktoriniais modeliais naudojant mėnesinius duomenis yra efektyvesnis ir tikslesnis, palyginti su kitais metodais. Šis modelis gali būti taikomas įvairių ekonominių rodiklių trumpalaikiam prognozavimui.

In this paper we evaluate performance of different models for the short-term forecasting of real consumption and investment growth for Lithuanian economy. Purely quarterly models are compared with models designed to exploit early releases of monthly indicators for the now-cast and forecast of consumption and investment growth. Short-term forecasting using factor models is popular in various European countries, though, mostly due to short time series, it is not sufficiently researched and widely applied in Lithuania. This is the first research when factor model is applied for the forecast of consumption and investment growth for Lithuanian economy. In this research we use 185 time series (financial, real, prices, stocks, real estate, exchange rates) at monthly frequency from 1995 until 2008. Research shows that, according Kaiser-Meyer-Olkin test, about 70% of these series are suitable for the factor analysis. All data are seasonally adjusted and standardised to mean zero and variance one. Quarterly aggregate factors are extracted from monthly indicators using principal components. The empirical analysis mostly focuses on out-of-sample (the period of 2003 Q1 to 2008 Q4) forecasting performance of the various methods. We compare forecast from factor modelling with first-order autoregressive model, random-walk model and bridge equations. The h-step forecasting exercise is done for 4 different horizons (from 1 quarter ahead to 1 year ahead). We perform a forecasting performance exercise where we compare in a pair-wise manner the relative forecast accuracy (realised as comparisons of the root mean square errors) of each of the forecasting methods over the out-of-sample period. In general, we found that models that exploit monthly information outperform models that use purely quarterly data.