P. 1
bik_04_2010_02_art

bik_04_2010_02_art

|Views: 54|Likes:

More info:

Published by: Simona Wesołowska on Nov 26, 2011
Prawo autorskie:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

11/26/2011

pdf

text

original

B a n k i K r e d y t 41 (4), 2010, 23–44

www.bankikredyt.nbp.pl www.bankandcredit.nbp.pl

Krótkookresowe prognozowanie inflacji z użyciem modeli czynnikowych
Paweł Baranowski*, Agnieszka Leszczyńska#, Grzegorz Szafrański‡

Nadesłany: 14 stycznia 2010 r. Zaakceptowany: 16 czerwca 2010 r.

Streszczenie
Dynamiczne modele czynnikowe (DFM) umożliwiają uzyskanie syntetycznej informacji o kształtowaniu się zmienności dużego zbioru danych. Celem niniejszego opracowania jest sprawdzenie jakości krótkookresowych prognoz inflacji CPI oraz inflacji bazowej w Polsce (z wyłączeniem cen energii i żywności), sporządzonych za pomocą modeli DFM. W badaniu wykorzystano 182 szeregi czasowe o częstotliwości miesięcznej, obejmujące obserwacje zmiennych makroekonomicznych od 1999 do 2009 r. Otrzymane rezultaty wskazują, że efektywne korzystanie z dużego zbioru danych może obniżyć błędy poza próbę prognoz inflacji, szczególnie dla dłuższych horyzontów prognozy. Podobne wyniki dla inflacji uzyskano we wcześniejszych badaniach.

Słowa kluczowe: inflacja, prognozowanie, dynamiczne modele czynnikowe JEL: C53, E31, E37

* Narodowy Bank Polski, Instytut Ekonomiczny, Uniwersytet Łódzki, Katedra Ekonometrii; e-mail: pawel.baranowski@nbp.pl. # Narodowy Bank Polski, Instytut Ekonomiczny; e-mail: agnieszka.leszczynska@nbp.pl. ‡ Narodowy Bank Polski, Instytut Ekonomiczny, Uniwersytet Łódzki, Katedra Ekonometrii; e-mail: grzegorz.szafranski@nbp.pl.

24

P. B a r a n o w s k i , A . L eszczyńska, G. Szafrański

1. Wstęp
Banki centralne na bieżąco analizują wiele czynników mogących, bezpośrednio lub pośrednio, kształtować procesy inflacyjne. Wynika to głównie z niepewności co do tego, które z nich mają obecnie największy wpływ na inflację. Wśród monitorowanych zmiennych można wyróżnić m.in. wskaźniki produkcji i koniunktury, agregaty monetarne, ceny dóbr importowanych i surowców na rynkach światowych, kursy walutowe, wskaźniki rynku pracy oraz stopy procentowe. Informacje płynące z tak różnorodnych czynników stosuje się do procesu prognozowania inflacji. Wykorzystanie pełnego zbioru danych w standardowych modelach nie jest na ogół możliwe ze względu na niewystarczającą liczbę obserwacji w stosunku do liczby wykorzystywanych szeregów. Proste uśrednianie informacji czy pominięcie wielu ważnych zmiennych w modelu prognostycznym może prowadzić do uzyskania niedokładnych i obciążonych prognoz. Narzędziem dostarczającym syntetycznej informacji, zalecanym do bieżącego prognozowania inflacji, jest dynamiczny model czynnikowy DFM (ang. Dynamic Factor Model); por. Stock i Watson (2002b); Forni i in. (2005). W modelu czynnikowym wykorzystuje się fakt, że macierz kowariancji dużego zbioru predyktorów może być syntetycznie przedstawiona za pomocą zmienności kilku wspólnych, nieobserwowalnych czynników. Czynniki te, chociaż z ekonomicznego punktu widzenia mają ateoretyczną konstrukcję, mogą być wyrazem nieobserwowalnych sił sprawczych funkcjonujących w gospodarce1. Mogą być utożsamiane z krótkookresowymi wahaniami aktywności gospodarczej i służyć do aproksymacji bieżącego stanu koniunktury (Altissimo i in. 2001; Stock, Watson 1999). Zastosowanie modeli czynnikowych pozwala na skondensowanie informacji zawartej w zbiorze predyktorów do rozmiarów, które umożliwiają jej efektywne wykorzystanie w modelu prognostycznym, bez znacznej utraty liczby stopni swobody i bez narażenia się na ryzyko obciążenia prognoz wynikającego z pominięcia ważnych predyktorów. Technika łączenia informacji z dużego zbioru danych za pomocą modeli czynnikowych jest stosowana w analizach makroekonomicznych do rozwiązywania wielu podstawowych problemów badawczych. Wśród przykładów warto wymienić wnioskowanie o syntetycznym stanie rynku lub gospodarki na podstawie danych zdezagregowanych (Forni, Lippi 1997; Del Negro, Otrok 2007) czy modelowanie reakcji polityki pieniężnej na informacje pochodzące z dużego zbioru danych (Bernanke, Boivin 2003; Boivin, Giannoni 2006). Modele czynnikowe stosowane są także do konstrukcji szeregów nieobserwowanych bezpośrednio, np. inflacji bazowej lub „czystej” (Cristadoro i in. 2005; Brzoza-Brzezina, Kotłowski 2009). Do podstawowych zastosowań modeli wykorzystujących wspólne czynniki jako zmienne objaśniające należy krótkookresowe prognozowanie stanu gospodarki, w tym PKB (Giannone i in. 2008, Schumacher 2007) i jego komponentów (Angelini i in. 2008), oraz stanu koniunktury gospodarczej (Forni, Reichlin 1998; Aruoba i in. 2008). Modele czynnikowe stały się również popularnym narzędziem bieżącego monitorowania i krótkookresowego prognozowania inflacji, np. w USA (Stock, Watson 2002b; Forni i in. 2005; Gavin, Kliesen 2006), w Kanadzie (Gosselin, Tkacz 2008), w strefie euro (Marcellino i in. 2003), w nowych krajach Unii Europejskiej (Arratibel i in. 2009), a także w Polsce (Kotłowski 2008). W badaniach empirycznych dotyczących inflacji modele czynnikowe charakteryzują się lepszymi własnościami prognostycznymi od wielu modeli szeregów
1

Taka idea leżała u podstaw rozwijanego przez Stocka i Watsona (1998) modelu indeksów dyfuzji. Jej pierwowzorem była koncepcja cyklu referencyjnego amerykańskiego Narodowego Biura Badań Ekonomicznych (NBER).

.. N (h = 1. t najlepszych predykto= it x i . N . t − p −1 + ε t + h x = λ ( L) f + . T rów (wyselekcjonowanych na przykład na podstawie kryteriów informacyjnych) może spowodoX = FΛ' + U x t = λ i . szczególnie wi .. t − p −1 + ε t + h R P r =1 p =1 R yt + h = α 0 + α 1 yt + ∑∑ κ r .. + λ .sytuacji. nowcasting). DL). 2.. 1Z + . distributed lags. model wskaźnika wyprzedzającego). p ⋅ f r .. = λ i .. Prognozowanie na podstawie dużego zbioru zmiennych Oznaczmy przez X = {xit}i = 1.. T F(T ×R ) determinant prognozowanego procesu. N . i = 1. N zbiór zmiennych objaśniających (predyktorów)2 obserwowanych w okresach t = 1. +ograniczenie izbioru+ u i .... Na podstawie dużego zbioru (N = 182) miesięcznych szeregów czasowych obejmujących obserwacje od 1999 do 2009 r.t duża .. + λ i . W drugim rozdziale artykułu opisano konstrukcję dynamicznych modeli czynnikowych..1 f . Stock i Watsont (2006).. aby 3 Z praktycznego punktu widzenia macierz X powinna również zawierać opóźnione zmienne objaśniające jak w modelu z rozkładem opóźnień (ang. r t f r .t + u i .. r f r . a w czwartym – otrzymane wyniki. wykorzystanie wszystkich = α 0 + α 1 yt + w κ r f rt + ε t + h analizie regresji nie jest możyt + h predyktorów tradycyjnej f rt =1 liwe3. że zmniejF(T ×R ) Λ( N×R ) szenie wariancji błędów prognoz poza zakresem próby jest możliwe dzięki łączeniu metod progno- ∑ R ∑ ∑ U (T × N ) 2 Λ( N×R ) Dla uproszczenia analizy (w celu wykorzystania asymptotycznych własności modeli czynnikowych) założymy...i 12-miesięcznego okresu weryfikacji prognoz poza próbę.. Celem niniejszego badania jest sprawdzenie jakości krótkookresowych prognoz za pomocą modeli DFM dla dwóch wskaźników inflacji w Polsce. a następnie je wystandaryzowano.. Struktura pracy jest następująca.. z wyróżnieniem prognozy publikowanej w bieżącym miesiącu.t kolei λ i .t . Sprawia to.. + λ iniepewność.1. przy wykorzystaniu 24. w tym modeli stricte opartych na teorii ekonomicznej (Berger.. p ⋅ f r ..... stanowiącymi dla nich punkt odniesienia (zwykła średnia. zwanej bieżącym monitoringiem (ang...i R1 f R ..tgdy występuje .. Nawet jeśli liczba zmiennych jest mniejsza niż rliczba obserwacji (N > T)..t = przyszłych wać obciążenie prognoz. xt = MNK i 1 xit f rt = gdy liczba zmiennych objaśniających zwiększa się wraz ze wzrostem T (przy stałej relacji N/T) – N x =1 N x por... W trzecim rozdziale przedstawiono założenia badania empirycznego. Ωκ yt + h = α 0 + α 1 yt + ∑∑≡ rI.. indeksu cen towarów i usług konsumpcyjnych (indeks CPI) oraz indeksu CPI z wyłączeniem cen energii i żywności (tzw. co ido 1. inflacji bazowej). że predyktory poddano takimΛF' + Ω U (T × N ) uzyskać szeregi stacjonarne..Krótkookresowe prognozowanie inflacji .t informacji do kilku = 1. to ze względu na N wariancję estymatora 1 N oczekiwany błąd prognozy ex ante nie dąży asymptotycznie do zera. metoda naiwna. 25 czasowych.. tj.. Podobne wnioski wynikają również z porównań różnorodnych modeli wykorzystywanych w Banku Anglii do prognozowania inflacji (Kapetanios i in.1 f 1 + . R f R .. że ograniczenia dotyczące liczby stopni swobody �X = F Λ'ΛF' + Ω Ω≡I są szczególnie uciążliwe.t . przegląd metod estymacji oraz możliwość zastosowania tej klasy modeli do prognozowania... T. model autoregresyjny.. (T = 127) sporządzono prognozy miesięcznej inflacji w ujęciu rocznym w horyzoncie prognoz do 12 miesięcy naprzód.. �X = F Λ' transformacjom. na podstawie którego wyznaczamy prognozy zmiennej na h okresów naprzód N X = {xit}i = 1.. 12): yt + h = β 0 + β i xit + ε t + h yt + h = β 0 +∑ β i xit + ε t + h yt + h = α 0 + α1 yt + ∑ κ r f rt + ε t + h i =1 N R r =1 ∑ i =1 (1) Gdy N > T. t = 1. 2008).. Dynamiczny model czynnikowy 2. X = FΛ' + U Badania empiryczne porównujące wiele różnych metod prognozowania pokazują. + λ ( L) f + u P .. Prognozy uzyskane za pomocą modelu DFM zostaną porównane z prognozami wzorcowymi. Stavrev 2008).

tr .. t + przewagi 4 Można również)wskazać badania.t yft + h = αR0 f Rα1+ tu+.r N × R R P �X xix = λiλ ( L) f1.t r .ft + + x + + iλ=(α ) f)Rf. i = 1. PC (4) Ω≡I yt + h = α 0 + α 1 yt + ∑∑ R �P ⋅=f rN. T λ .. N t 1 ( . r r .. h .t .t ..t + N i ...1t.+ U r ... T Λ i R r .t + u i . .− p −1 p ≡ Ωp �1 t + = α 0 + 1 yt + ∑∑ κ r .. λ κ( L)⋅ ff + u + ε ˆ .fr f r . t = 1.26 P..Xna dodaniu pięciuC = I R objaśC' = F = [ fr. = A( L f t + Cr'. t = λi R f R .(...rt+ λ i .λ L L+ t + u .t).t czynnii R . + λ κL) f⋅ f + u + ε PC .1 f 1..1 ( 1.. + it + podstawie analizy macierzy korelacji α W praktyce wagi{xit εi 1 βN κ t + h ε R + 1y r α+1 X 0+ + t = h t i r rt t+ h h t r t + h+ h yt + h = α 0 + α1 yt + t +κ f rt 0+ εU1(T × N ) 1=1 r rt zmiennych (czyli macierzy rkowariancji=rdla wystandaryzowanych zmiennych) przez uproszczenie i =1 r =1 t+ h f rt r =1 N F(T ×R ) jej struktury.∑ κ r f rt + ε t + N y spełnia α1 yt + xt 1 N ∑i 1 xit = x =1 N x t i =1 ∑ i =1 i it t+ h t +h 0 ∑ i it t+ h ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑∑ ∑ ∑ ∑∑ ∑∑ F = [ fr.t . ]X (PT × ˆ p 1 = ytyhR = P α + + αΛy+=+y i. gdy. t X ri 1 FΛ t i i ....t ΛxN×R= λ i ... R r . t Ω i .(ang.t xi . t.tt − p −1i . ⋅ f... p ∑∑1+Ir 0r p ΛF' +1rΩ p =t1+ R × ( S + 1) gdzieyΩhoznaczaαmacierzh kowariancji pr−=1t1++ =ε t=h F.αRotschild 1983). + iλr = rλ ...1 if. N x = λ f + . p + αft yp −+ + + tε h κ ⋅ f α 0 α 1ryt1 p ∑∑ × Rκ ⋅ f r .t + predyktorem..t PCstrefy C FR w ([ fr.zmiennych trzech r. 1. że predyktory generoanalizy + β x R ε U N f rtf N fytt++hh = α 00 + α 1 yt i +it + κ tr+ f rt +(T ×t + h) h ε rt rt xt 1 N x N wane są rt czynników (ang.+t+1PC=ˆA.t = λ i ..t .ft + + .r r .1 f 1.t ++ i.t zakłó.. t +1 = A( LRf×. t 1983).. N X = {xit}i = 1.in.. + λ i . N R R yt + h = α 0 + α1 yt + ∑ κ r f rt + ε t + h y = α + α y + ∑ κ f + ε (2) t+h 0 1 t r rt N t + h r =1 yt +rh=1= β 0 +∑ β i xit + ε t + h i =1 f rt Według pomysłu Stocka i Watsona indeksy dyfuzji (zmienne f rt ) powinny wyrażać wspólny R N dla większości predyktorów wzorzec=zmian.. + λ i .1 κ ri f rt1. B a r a n o w s k i . + x i . = i . znanym z y = β czynnikowej.t + u i .. r . tΩ + κ F f N X =model czynnikowy (por.t R t+ y κ N = 1 + εt+h x i .+1exact). + λ i . i .1 ((TL) f1.. t ..1 f 1. t = 1....1 ( L) f1..t + ( i .. 2008) N N w literaturze jako model indeksów dyfuzji + β diffusion index model): β + β x + ε y = β (ang. r .. 1 λ iI f .t . r . tt − p −∑∑ h r . = = ˆ .. t = λi . może byći = 1.. Ω X = FΛ' + U ≡ I dyktorów. + λi . Syntetycznym . N 4... N it i X = FΛ' + U X = {xit} N yt + N N < T.. i= i .r] N × R ˆˆ ΛΛ' sprawia. t = 1. model PC ˆ PC PC F PC = [ [ dla]TΛR= euro. + . i. + λ i .. R . przybliżonym modelem R P f r ft +1 = A( L) f r ft + + frεy. Jednak modyfikacja r .t ]T × R ftegoS +A(]L) polegająca.pozostałych przypadkach – r =1 p =1 �X = 1 NT XX' czynnikowym ε t. T Fxx×ttR = 1 i+ ..t ]ˆ × R ˆ na 10 okresów weryfikacji.t + . ) λ N f 1 i 1 x it .. czynników... Stock X = {xit}i = 1.. r i.. R = P .. t +1 = Λ N× U (T × N ) r .. Szafrański X = {xit}i = 1 2004.xit...t XX = xitx i}1... p ⋅ f r F p −1 = . t + h =i =1 0 + + dla ustalonego t Forni.t i . + x . co 1może nie być optymalnym podejściem. = λα(( L)α y ++.. odpowiadają× N ) pozostałe nieskorelowaneA(czynnikami.r N κα. t+ ε r∑∑. +L)i . f r..r ˆ ˆ Λ = [λ i.. t ui .1 t = = xi . T i . + λ f .1 ( L macierzą λi . + iλ 1. + λ re efektywnie dokonują=syntezy= 1... + λ ( L) f + u λ . t)− p −ΛFε t+ hΩ P κ r U F Λ'1 + ' + R F PC = [ fr.. L eszczyńska. t +1 = A( L) f r .t = λ i .t y i N = U ×N ) = (3) x ixt = = iλ f 1.t N1.. x + ε y = t +h 0 t i =1 it r =1 lat łączenia różnych metod. N+ u = .= I ˆ ˆ = [ˆ Λ ˆ [ ˆ[λ ] AR.. t. r f r . gdy i .1i ..tr .t ]T × R ≡I ΩΩ ≡ I R P Ω ≡ I f r .y+ hλ =Rα 0R . t = λi .it..Λ'idiosynkratycznych.t + .. r fx.. ⋅Ma-− p −1 + ε t + h FΛ' + U Równanie (3) określa statyczny F(F×R ) λ i r.βUżycie zwykłej średniej oznacza jednak arbitralβ TxR ε tε N (por.Ω ≡ = 1. + λi .......tλ+ +fiut .. t − ∑ Λ i . t = λi r1=(1L) 1f1.. N t t 1 1.r =1 p =1 z L) f + ε ( f r .t = 1 t + i . r Fi Tt ) ) Λ( N× ) U (T × N ( N×R ) parametry Rliniowych )kombinacji ftych = A((L×Rf)r . r f r .tt) wspólnych dla wszystkich prei.t x i .1 1.. t Λ ˆ = R L ) R . 0 + αr =1t + yκX=rt=+β+t}h ysięxna ε f +Λ( N×R ) ε0 + yty = = α + α y + ytκf=fαustala.t − CC' C = R ∑ ui .. 1 p =1= 1.. N Watson. CDC' = F Λi'ΛF ' r =1 p =1 C' C = I R RR ( S S +)1) � ×× ( + 1 ˆ Rx ( S = 1)( L) f + ..r] NXXPR [ F = = fr.t C' ∑∑ ( xi ... Chamberlain.. R f R .. t... + λ i ... zowania.r+ będące u .t + i ˆ A( L) . r r . iN.. N w próbie.t .C = I R kowym (ang. f r .1 f 1..... A . p ⋅ f 1 t X = FΛ' + Ut + h = 0 U (T U (T za elementami macierzy U ×TN×)N ) . t − p −X = FΛ' + U = FΛ r' p U r pFΛ F(T ×R ) yt + h = α 0 + 1 yt�X = F Λ'Λp ' +r ..r] N ×� = 1 NT XX' PC ˆ R X F = XC ˆ ˆˆ ˆ ˆ 1 NT XX' ˆ �X ΛΛ' = I �� = = 1 NT XX' � ˆ PC 1 ˆNTPC ' X X Λ = Nλ[i. t cierz F(T ×R ) składa się z(TRR nieobserwowalnych czynników ( fR . t + ..t zawarteji .t autoregresyjnym (AR). ˆ � ˆX 1 r 1 nie potwierdzają(tak silnej ε r . =u + ii 1.T R . iżCDC' z trzema czynnikami ma większą nad pozostałymi modelami. t + ε r ..+fα 1 it. u . (2005) stwierdzają. = ˆ ˆ ˆ Λ=C ΛRPC λS[]fN1) ] weryfikacji przewagę nadΛ =λ i..= 1L) f R .. oraz łączenie informacji pochodzących z różnych źródeł (Marcellino.. t +1 y κr... common factors): f przez kilka=(R << N)i =wspólnych Λ'ΛF' + Ω i =1 1 it � X = F r =1 Λ( xtx= = 1 N i 1Nxitx x = 1 N N x 1N R �X = F Λ'ΛF' + ΩN×R ) N = t it i =1 t i =1 it xt = 1 N i 1 xit + ε t+ x i=...... Kapetanios i in. ..t ' + iU R .. a macierz Λ( N×R ) tworzą stałe w czasie ładunki czynnikowe. zakłada się. t + ε r . Obydwa te postulaty spełnia model Stocka i Watsona (1998).t = =R = . R ( Λ( N×R ) × ) r. znany 2004.. R f R .1 ˆ f×. t ε r..ti . t T Λ = [λ i. t += + i A L) 1r.t .t = λ i .t 1) T × R z modelem � inflacji f jedynie w × PC PC ×+1 modelu. t − =1 r =1 X = ˆ = [λ ] ˆ xi . t + .xrtit..r] N ×NR R modelem × CDC' = F PC Λ'ΛF PC ' F × ( i. − 1 ε + + + εt+h h = r ...t ]T × R ˆ = [λ R. p ⋅ f r .. N .. że taka metoda prognozowania zyskuje w większości okresów niających (wskaźników ˆ wyprzedzających).XC 'C = I I C1=i =I R t =1 t p =1 ˆ= 1 PC PC .t i .t ...1t. + λ f + u .. któX nie Indeksy dyfuzji= { } = 1.t .. y λ .. T f rt i ..tNa T × R ] przykład Banerjee i in... Rotschild.IR).. N ne przyjęcie dlai y i= itα zmiennej=1 κ f + ε każdej + α y + równej wagi. p Rr. )wr .. t+ jednostkową u F = [ fr... m. ++NRP f +.. R dynamicznych 'Λ F PCczynnikowych R × ( S + 1 PC PC = F PCtΛ modeli= ' NT XX' F = [ fr...0 modelt +t i∑∑ ( r ..t× R T × R = PC i.t++λ.. R i h Gdy = λjest ) f + . W podejściu tym..1 ( L) f1..1 (NTfXX' ui .+.r +r..t + ....1 ( L) 1. t h ) PC1 t . F Λ'ΛF' + Ω × ( S + 1)((T ×RR)) xi .tr . f t rt R P XX=1===1 ' +.. tloadings) i λi..1t = . t 1... R ( L) f R �� = FF Λ'Λ' + + � można wówczas Λ'ΛFF' Ω X = Macierz kowariancji predyktorów Ω X = F Λ'ΛF' + Ω zapisać: U (T × N ) R × ( S + 1) �X = F Λ'ΛF'≡+I Ω X Λ( N×R ) PC PC Ω X = {xit}i = 1... p dokładnymt +modelem PC ]T × R i .α y + r . h = βz + β i xit + ε t + h średnia 0 wartości wszystkich wystandaryzowanych zmiennych xt = 1 N N X = FΛ' + U x N N i =1 it y y = β Reichlin)+y+Xh= {x + β x + ε β + F(iβ×itx 1998).1 .....α +y+ i.(T..r N × R f r ... tt + i.t i. strict. t t ˆ f r . =porównaniu ˆ zdolność prognozowaniaF PC = fr. f ft f+ λ iλ..... t = 1.1 i ... rI f r .. + λ f .+ λ .... . N . Idiosynkratyczne składniki losoweα i..1t u nazywamy R . t + ε r . N . a dodanie składnika autoregresyjnego+ h = α 0 + postu.t1.i . .t t+ = 0 1 t składników ⋅ 1 r . R ( L) f R ..t + p= .t = λ i .Ω h≡Ri . R R .x i .t F � x= R cenia zmiennych X i. t − p −.10L+ f r .t {{ } = informacji1. T + ≡ . xitsąi bezpośrednio obserwowalne i do ich estymacji trzeba użyć metod. Rf u . które X i R . czyli + ui . t .t × RT × ] ˆ = 1 NTC' C = I X T T �X XX' R PC 2 PC ) ˆ ˆ2 = Λ=C ..t =1t + h Λ( N×RR)rtR t + h 0 1 t r N R jest duże w porównaniuh z T... T T . t( S + r1+1 ) r + ε . t t +Λ = [λ ] f h (Chamberlain. Ω λ i . G. t +h 0 } i it t+ h F(T ×R ) t h yt + h = β 0 + β x ++ε t + h 0 i =1i R i it t + h it ii== 1.......

. X λ i=R f R ... i f r = = Ω ≡ yt = λ=..t Xt = FΛ' i+ U. t − 11 Λ i .pf==t − pi −1( + ) f1. Tt . th + ...)t =yλ+ih1 =1. L f p =1 .tw +T1) F Λ' + 1 = × ( S ΛF')+ Ω � F PC = fXX'T × R F R × ( S ] × R F PC = [ fr. p f∑ Λ1.= β + λfi . rPC Λ . + i .t 1 pu 1 .. λi .. pyt r fh1 tmodeli t1+yt + ∑∑ κ r ..t .t + ui . +x...PC f i . t Λ( N×R ) ˆ +u 2.+ rt N+i . R x f r . 0( L)i . R ( Lf)r .t� Λ.r] N × R ˆ Λ F i.rt = + 1t). t − p −1 ε t + h' = F Λ'Λ F F + 1 ˆ F 0 PC) h– [ fr.t = λ i .. + 1. t ∑∑ yt + h = αR0∑ ui1tyPC+=∑ λi .t . t= [λ i.r X = FΛ + U N× (T R ) XF {×R )dodatkowo.. t i t t =1 t 1 i =1t =1 i 7=1 Uwaga:=wspólne=1 p = R x 1− P Λ p⋅ . t − p +PC t + h + λ t =1 p= = 1 PC 11 2 ˆ ˆ F 1( = XC �X T T N T N P ... ˆ � ˆ R przedstawić w poDynamiczny model. N F.t .t − p 1 ) .r N × R �X macierz wariancji-kowariancji 2�X = 1 NT XX' na iloczyn diacelu Λ dekomponuje się oszacowaną XX' �X = 1 NT i.t Ω ≡+R N ) f R ..t ) = R .i p tu h .+ α ry=1 + =1i . p η. analogicznie[ do równania= [ fr.. p ⋅ kroku+uzyskaćˆczynniki ˆ' PC = [ f PC ] .r] N × R ∑ ui .rNTPRXX' 1 NT XXR' ˆ ' Λ ˆ T � = [ ˆ1 ] N ×�X = r.t ] �XRstatycznej...ui . p f rPC p +1 ty R P yt + h = α 0 + α1 t ∑∑R r ..R t = 1.t −ˆ�ˆ='1 = I. r . .fR =LA(×L.t − r =∑=ˆi . t ε αt+.= = + N yt + h = α 0 + α1iyt1.t +i u i . t = 1. odpowiadającymi jejTnajwiększym wartościom własnym.PC ΛΛ' '= I=' I R I ˆˆ C t T T P PC ΛΛ'N= I T NP ˆ F PC 2 P XC RΛΛ2 == PC ( x T PC Λ T 2F⋅ f PC XCP..tyt i+ t∑∑ +∑. = α ++ α 1 yt+) f R ... R r(=t1.tα=Rt∑∑ (+it.1 1 κ .t =ˆi2.t A F )R x i . = T ˆ u' I P T T N ˆ(i ..własność ma i . i...t α y Kolejne założenie: że wspólne +czynniki IrPα+ +y�hy =+ F Λsą 1F't + ⋅Ω Ω ≡ fgenerowane f 0 Λκ + wielowymiarowy proces f r . S + 1+ih 1.. − )2 t 6 Dla macierzy xi ..PC ˆ PC ˆ ˆ = PC X ˆ ' Λ F CDC'= 1F� Λ 1 'NT ' ' PCC' C = I R C' C ' t ˆ PC (8) � NT XX ˆ ˆ ˆ CDC= I CDC' = F Λ'ΛF PC ' CDC' =ΛΛ' = I ΛF PC C= RF IΛ'ΛF ' F Λ' ˆ ' 'C = X C'S +=) I R C1 ˆPR ˆ Λ' = I ˆ R ( �X ˆ C Λ ˆ ˆ ˆ ˆ C' C × I R = CDC' = F PC Λ'ΛF PC ' � CDC R PC Λ ΛF PC ' C = I R ˆ �X yt + h PC α 0XCX ' = F C 'C.. +..+pR. t−1++. t + ε r ..= λii ( ×1. λ r t ) α yt . t o R PC S + ) PC 1 [ PC S f r . p ⋅ f r . p.t + . R ( L) frR 1t p+1ui . + λ f . t += =fA( t] 1 f r . xi .1Tf(1L)+fdo prognozowania. t −1p..t T × R PC(ang.−pηzałożeń (tutaj f i .. t + h α0 . t +1 r .t pokazują.. nie PC =1 P ∑ u=.. T + i... Metoda głównych ˆ 2 ˆ= dekompozycją spektralną (por.. t λif.. p ⋅ f rPCXp −1 ) . )..α 0 + α+..0R+ czynnikowy. =− . .th . T f(1Tt×Rx i ..t R P PC t ˆˆ P ΛΛ' = I ).t = ∑∑ ( x . + λi . = F ∑ + 2r t =1 iT=1 2 ∑1 N (9)PC 2 PC ..t=p[−λ i.− PC λ ri yt + h = α 0 t+hα1 yt 0+ ∑∑ λ r∑∑ p +r1.t .Λ = C f i .. t +1 + = L 0 r .. tt− h +1 + + t =1 t =1 i =1 p= = f pt 1 .P .p T T ˆ 2 wartości N ˆ =C x − są Λ ⋅ różne.. − (∑ ˆ i .r = × R ] PC ˆ C == ˆ ] ˆ Λ = [λ ] components.t ˆ �X = F Λ'ΛF' + i .1p f r . ( Lr .. t − ∑ Λ i .1i f=.t xt =x i .. + tλ=r1f r . + λ ( L)U (T ×+ )u X t+h 0 1 t N �X = F Λ'ΛF' + Ω(6) r =1 U ... t − p +1 rRf1ηP=+1h PC t t r =1 p =1 0 +h 1 t ∑∑1 λr . + λ i wybranej ..t1+ . t − ∑ Λ if∑ ⋅ fi ..1 ( L)fyt1+th +=. ˆ ∑ tˆ 2 t macierzy p =XX'= λ f]ˆPC 1 ˆ Λx=t [= λi] (macierzy+Dˆioraz fortogonalnej=1�=1 = i1t NTCΛ =r [pˆ ):r . t r .r] N × R ˆi �X = 1 NT XX' gonalnej1N × R 1. + λi . R f⋅R .t = λ i ... r= 1 t+ U . R × (≡ I+ 1) .t t + =+λ r f = 1 . t + .t + ui . t = 1... p f rPC p +1R+ η t + h +α t α y P = p 1 T y t− + ∑∑ . . t=11=NTLXXt' + ε r .)p =1At( + )ufi .t + u=. i = 1..tN= ii ..t−r p+1u+. t − p −1 + ε t +[h fxi .1r .. p fR.=t∑∑ ( xpi . p�⋅XfrPC− p −ˆ1 )ˆ2 .. I ˆ �X = F + u ..R∑∑+ 1)p..t + . i . Rft1.r1=XCf r . t2− p + i PC CDC' = = Λ ˆ2 t =) PC F PC F XC XC'ΛF ' ∑ ui .fR ( L+ε∑∑ κ. ∑∑ X ΛˆΛ Λ i ˆ ......PC + yht + h = α 0 + α1 yt + ∑∑ λ r . r . r .it +=1ut i+..t1r−1t∑1=1Λ=. N Ω≡I UF × N ) F(T ×R ) Λ( N×R ) X = FΛ' + U Λ R ) ( × ) N Ω ≡ U (T × N ) z ( S + 1) U TN×NΛ R PT( rozkładu opóźnień λi.==α 0 + αFAVAR (modeli ⋅VAR P −1 + ε t + h += r −1 1 p 1 Ω regresyjny postaci r ..t yt + hr == p =1 i+ α 1 yt + ∑∑ κ r .1 x1.r N × R . t = + X R × (f + 1) A( L) f + ε . i λ . t − p −1 + ε tt++hh modeluα 1 yt + me..t = ∑∑ ( xi − . • (L) wynosi co najwyI ków5. NC ˆ T P CDC' = F Λ'ΛF C Λ= ' ˆ Λ=C T 2 ˆ � rzy ˆ� ..= 11.N r .. R ( S + 1) S = ˆ .1. λ = ..t + i . Stock. t + ε .rt.×tR + .t ]T λi yt + h F α 0 + α 1 yt + ∑∑ κ r .r C'X = I R 1' C I R N × R C' C = I C ˆ ˆ Λ=C ˆ �X = 1 NT XX'ˆ R � = 1 NT XX' ˆ C' C = I R PC = ˆ PC XX ˆ f + X A( ) f r .Np f r ... t = λi .t = ΛPΛi'=C(Ixi..1 ( Lp)−f1+ +t .t − p −F1P=i1. . 2r .t . t . N . t − =+= + + − + PC f i ..= R t) RN . i+ λr .. . r rf..tdyfuzjiλ i)X f=. p ⋅ Λ. N ... −r .. t i.. i = 1.. R ( L. ..(f( .. pyf∑∑ +rη tαrh. t − p +1 + η t + λ p ..t zmiennej y.X α r.. t + .. 1 N . W tym r =1 p =1 ˆ CDCˆ = F PCˆˆ 'ΛF PCΛ X =λ i. t + λ i .ft R1.F Λ'ΛF' (iTI Ω t i.. r .Ar+ ..t = λ i . t L .t [ ˆ ( S × r . xt λ 1 fN ∑i =1 xit. + λ. PC r t r r. t +h 0 + ( ... ⋅ Λ − ˆ ) .)= rF +t ε +1tΛ ) t .. r.i⋅ 1ffrRti.. pp =1fr .. N = β + y 0 t+ f rt yt+hε= β=+∑}h i xit + ε∑ β i xit + ε= hβ + β x + ε X 0 {xitt +β= 1. + λ F' + + u jest ×dynamiczny )model czynnikowy (Forni ) i in.tyt + hmodel α. N i =yt + h = β 0 +∑ β i xit + ε t + h xt = 1 Nyt + hi =xprognozowanie inflacji .r N × ˆ CDC PC ˆ yt += =pozwala + ∑∑ κ r ...∑∑≡uI..t Λ statycznego i .r] N +R1) t) f r + = A( L) f + ε r .t t =1 t = 2 = 1 ∑ ui . �X = FΛ''ΛF' + Ω x i . N yt y =β + β x + 0 ∑ i it t +N h = X== {xit}i+ h f rt t + h Λ0N×∑ i it N t + h iN 1 i ( i =) R1 x} X i= {+itε ti+=h1..t r leży �X = 1 NT XX'=1 =1 p y w r =1 p =1 yt )Bernanke Ωy≡+2005)≡R Ir ..t T× R PC PC ˆ = 1 NT r.tt = λ i .t + R i .f + u i ... + rλi . 35). którym liczba statycznych × R X ˆˆ R × ( S + 1) ΛΛ' '= I PC PC C przy wyborze ]R×× ( S estymacji wspólnych PC = [ fr.. tL) f r .fpi. a następnieΛΛ' = I ˆp =1 ˆ PC X PC ΛΛ' = IXC Fˆ == XC f i . T r f rt + ε t + h f + α + α . yt + h 0 r − p −1 h xt F ΛN F 1 it =1 Λ + 1 t κ r p ⋅ f r ...rmetoda głównych PCfr. + . xi . λ i .. t − p − α t I Ω i p = α 0 + x i1 in.. CDC' f t .t . R PCΩ � = F Λ'ΛF' + Ω Λ(y U)=T αN )+ α y + κ f �ε = F Λ'ΛF' r+1 p =1× R (T × N ) f ] N× R ( × ∑ r rt + Xt+ h Fx = [λr. + λ iyrtyfhr+t ..1 (rLt) f1..r X t =1 i. xi . p ⋅ f r .. r . t − p∑∑t + hr .=t PCi =∑1λi..t ∑ ˆ [ˆ ˆ= Λ=C ˆ=1ˆ = 1 p symetrycznej nazywaneiˆ.. 2000).PC=1frPCi−.1tokreślonej.. Λ 2002. t − p +Pε p 1 �X =Ω ≡ 'I ∑'i =+xΩ f yt =h A(α ) f α+yε + . +κ i . t f rt Λ = [λ i. t r= = ˆ r .u..r px⋅.. 1 ....r r X= F(T ×Ri ...1� =1. 0κ ∑Rβfi ε. t + .P ⋅ f r . Przekształcenie (8) dla macierzy ˆ T N ˆ �X Λ =Xλ i.... ⋅ N rt 1 t ...tT = ∑∑T xiN − ∑ Λ i . t( Sλi .λtFΛ'. ∑ utmacierz1 kowariancji)=1f∑∑P⋅(własne−∑ dodatniefi =ri PC− p −1 )2 .1yr1=. = FΛ' + U × xStX= rλ ' C =fI R tody .. N ti+ 1 h X = {xit}i = 1...t + hF Λ'ΛiF'rt+.t T R i i.... Estymacja ˆ+ ui ˆ ] 1 )xi .1λ 1. u = ∑∑ ( xi ..t +xit R xtr == 1 N ∑i xit xt = 1 N ∑R )1 xit xt rt= 1 fN ∑i =1 może być1 przedstawiony=1jako model Stocka 1 Ω I i= F R f rt N rt N iyWatsona α 1 yt + ∑ κ r f(T ×+) ε t + h t + h = α 0 + (2002b): rt R P xt = 1 N ∑i 1fxit λ f f rt + .t − PC 0 t +h 11 1 α α P y + r == p =1 + R 1 yt + f r p + η t + h 11 = p ˆ.t + .=t1 − ∑ Λ i .t metody + 1) S ˆ= ˆ T R Ω PC ˆ = [λPC ] Λ PC [λ i.. p ⋅ f r . t+'X przez∑∑ κ r+p ε f r≡ −Ip −1R + ε t + h auto.Rt +f1R= Ω ( LtΛTrN×F) ε r. rf f r Ω + λ f R r y + =t .DFM z R Λ = C = 1 NT XX' 1PC Fopóźnień. T Λ( N×R ) f r . .. p r 2tη p +1 0 + .. + λ .. i .t ∑Λi2∑ u∑∑ (dodatnio.. λ . N R= 1.tε ti+th =i . T Modelλczynnikowyλw) tejxpostaci ( L)F + + i. ...podstawRkonstrukcji. T L x iI + λ R t× ( zob.ui ..t X r.p t +h yt + h f i .αt1 =t 1.t r 2 ..1 fT=(2)..t= ( LT) f + . λ .rtf rtαε y założeniu ε r + yt + h 1= 0 + 1 t ∑ r rt N r= t+ h r =1 i =1 X =xN =h1+N 0 + iα1xitt + ∑ κ r f rt r+1ε tf+rth FΛ U y '= α ∑ = y t f F(T × N = N czynników idiosynkratycznych≡(model przybliżony). ty p+1 = tα 0 α+PC + + 1α λ r .t . L . T yt + h Boivin. iN .' ZaF Λ ..rPC−pptakąPC− p −ft1=i)...λPC. . = P C 1 R P r =1 p =1 PC f .R− p +PC η�wartości własnych6 empiryczznajduje się R największycht h F= tˆ 11 = F r Λ' Λ F PC = PC ˆ ˆ PC ˆ ˆ FCDC'PC ]F Rˆ Λ'Λ F ' = f PC ˆT r= p= ˆˆ CDC'1 Λ1= macierzy' '= sąPC Λ ˆ PC ' F wektorami nej macierzy ×ΛF PC 'F PC = XC CDC' = [Fr..PC λ +yttf=11hyt + ∑∑i1=yrt .+ + iu i ..t + ui ..−LR 1 RP.t r P T PC 5 Wówczas takie czynniki nazywamy dynamicznymi.. f t + ..PC p α 1 t yt + h = α 0 + α1 yt + ∑∑ r .tFΛ'... R f R .r] N × R i .1 L ε t + λ F PC = r.t F =liniową predyktorów7: PC = XC PC ˆ Λ' = IΛ C ˆ F wspólnych czynników F jako kombinację = XC ˆˆ Λ ˆ ˆCΛΛ = f i .. + λi ..x fi =t 1 ..∑ κ r f rt + ε tr+=1 N F(T ×R ) r =1 X = {xit} h N X = {xit}i = 1. r i =R1.t + u =T ×R ) ( PC ˆ ˆ A( L ) .. FΛ + U = = .. = ) f .X . 1 p 0 t= .=1= XC ˆip. R� P = F Λ'ΛF' + Ω P R Ω . ∑ uΛΛ' ∑∑ i = C ..u f R . Watson 2002b):+ h = αR0 UPα 1 yt + ∑∑ κ r ..=.t .tjest= I t =1 ( xi .tε++ui .1 ( L) f1.∑ir 1 xit + = FΛ' t U.t(+p)∑∑) frR+t ⋅+if. ' + U f (T (5) t Jak widać. + y + κ + x i . N ....t T × 'N T ˆ ] ˆ = [λ ] ˆ Λ = [λ i.. t =1 1 PC ˆ u ..t . r+ UR f R . t 1.ˆprincipal R – × składowych F = [ fr.t ]T × R P ' metod F PC N=RXC PC ˆ ˆ N [ R F = [ f PC ]T Ri. t 1 = A( L) = .N+1 = A( L ) f r . t = × R. tη⋅−f∑ i .1 ( L) fr1=t1 +F +rλ+.t=1= ∑∑ ( xi .t Λ'kowariancji predyktorów �X= a kolumnyC CDCˆ Dˆˆ PC ˆ 'ΛF �X własnymi maciePC Λ . t + ε r . �. p f rPC p +1f+PC t + h + η yt + h = α 11 α1 ryt1 + =∑∑ λ r .(tN×p+)1 + ε t + h S) U (T × N ) i =1 × ) � p 1( F ) Λ1 Ω yt + h = α 0 + αPCyt + ∑∑= NF Λ'fΛtFp==N×RΛ'ΛF' Ω �X(TκUp ⋅ r r=. PC PC f rΛ'x. X F( FΛ λ = xt t λ i . = rPC' 1 + ˆ +X Na głównej przekątnej macierzy=D + α1 yt + ∑∑ 'λPCp ˆfI. iPC==p =1 r t 11⋅ . p ⋅ f r . R ( L) f R .... t[i 1r. Sąˆiwynikiem przyjęcia1identyfikujących 1 ) .× i .( L) f1.. R ( L ) f R . t×+R = A( LRf×. f=.t . + R t + ε R rt ∑ t+ R t+h 0 1 t t+ h f rt ∑ ur i =1 N . przy czym dla każdegoR nich rząd ((wielomianuT ×R ) U (T × N ) × ( N× R ) F(TytRΛ( N×0R+∑ β i xit + ε t + h =β ) yt f r − R− + żej × + h(por..t1 =1tX ∑ κα'f + przy h + κ f +autokorelacji = tβh0 =∑ 0 + α 1+ ε t+h κ f rtf.1... Ma to duże znaczenieC = I RF PC = [ fr. + Fr r .r1. i .. . iy=h1= rα10N . Ngxit(2005). t = i .1α1. t − t∑ Λˆ.1 można u ... = λi . dla P = 1 model ×R ) odpowiada modelowi indeksów =+ .1 (rL+1f1. xt = 1 N ∑i 1 xit Λ( N×R..1 f 1. N N N i = 1. t − p −1 + ε. p ⋅ f r .t = λ i .tΛ'ΛiF' + Ω Ω R≡ IP Ω i. ⋅ ∑ uti2+t h= ∑∑ ( xi..t .tp 11 r =1 p = PC r =1 p =1 PC F = XC f i . + λ i+ f r .t U (fTr×. p r .tN rλp R x it . t + ε =Rλ i... rf.. = t + .t i x . R ( L) R . 2 f PC t =1P 2 PC T T i 1 ˆ =1 =. p f11R− p +P1 + η t +11 r .. = = xt =N1 N ∑i 1 xit X = FΛ' + U r =1 p =1 f rt U (T × N ) x i . X= FΛ = i.rt�1Xtε= że statyczny = αi . �Xr .t . +1.t ]Tczynników wynosi staci (3).t + ui =1i t r1. + λi .. t = λi .t czynniki p =1 są określone jednoznacznie. t p = i ..κ r .t r xi ..t( ]Tf RR t + .t − R P 11=1 p =1 P r yt + h = α 0 =Tα 1Ny+ + ∑∑ λ r . R f R .rt(a ⋅ 1 f r ..1t2 .p 1 T = iN + η 1 p yt + h t=1 α 0 + αt1=yt i =1 ∑∑ 2pr=.r N × R Λ λ ˆ i .f +1 + ε .. N .. ii1in.t N . +(5) i .1t. + λi .t r . p ⋅ f r . x N ∑ =1 βit0 +∑ β =itαR + α y + Nκ f + ε1 R i=1 27 N Krótkookresowe N R y ∑ 0 1 h =1 h + β κ f ε y ytx h = β 0 +∑ β i xxt+=yt + hN=∑(iT=× Nα y + t + h κ tαh0 =iβt0++t∑∑xitr +rt t+ hyt=+1h =r αrt + αt + y + ∑ κ f + ε ε1 U 1 x)it + + it α 0 + 1 t y∑ =r +f rt + αt1+y i =1 rR 1i y N = tβεr+∑ β x + ε t +ε h t+h 0 1 r rt t +R h X = { it}i = 1.x ∑∑ +..)t f R . r r .= p −1 )2 t− PC ˆ ˆ PC ˆ . +ε xi . + λmodelu (Λ'Rf)ir. t + ε . t +1 = A( L) f r .t = Ai(. tε =yλih1 (Nαit0t1=t=+ 1i.tr− p −1 )..t + u i .t . N . RencherΛ' = I s.ti. + λ≡RI( L) f R . R ( L) f R .2. .t ]T × R Jedna F czynników. ) 1 ∑ 1 f it R . . tRi+= 1 . +.t .. r =1 t = i N = .można × ( S + 1) czynnikami× (rzędzie f r . t = Λ( N×R ) x = λ f x i=.it(... + + x .1Rt ( L κt Rp λi .1 R .t ich×wagi Λ = [λ ] α PC ]α× yt w jednym f r .. R Rit +1u i ..tP− p −1 ) .1 f 1. + . λ . i λ i .. T λ i . N = i .t f . 1. t + .)2006b).t + u i .× × Λ r . + λ i ..λ ∑∑fκwykorzystania f = α 0 + DFM ∑∑ R rozszerzonych o wspólnePczynniki.t1 = .t ΩX U (T × N ) xΩ = λ≡1 ( L) f1.1 −X' −+ + ε t + h 1 r.t = ∑∑ ( xtiTt1 − ∑ ΛtT=.1 if.t .rp 1 r .t .. tr . ). NR .=tF= λ'i . L) f + .. t h tprzestrzeni1 stanów i(Doz.t . t+hλi .. uii. R f R .t − Λ ˆ ˆ �Λ = NT t= t =1 i =1 ˆ Λ =ˆ C = 1C XX' ˆwyznaczyć macierz ˆ PC składowych pozwala 1bezpośrednio uzyskać macierz wag Λ = C .t − p −1 r +Pα F = ∑∑ tPC − r ..L) (modelr6)r .. FΛ + r =1 U t+ y + + α β i yt x i∑= λ i 1 f+.rf rN. r f r . X = FΛ + U Λ( N×R Uogólnieniem � X = .... że równanie (3) może być×rozszerzone o opóźnienia dla każdego 'z R czynniTx kłada=(sięit}i = 1.. wykorzystać U (T × N f i. p =1 ..t − p −1 ) ∑ i ....t h t = i ... P f r . metoda z najpopularniejszychC Λ I R[λ i. N i =1 t+h = t +h 0 = x i i it t + h ..

T 1 N r . która pozwala uzyskać jak najlepszy stosunek sygnału do szumu (Forni i in. R ( L) f R . Watson 2002b) i dopiero na ich podˆˆ ΛΛ' = I stawie konstruując wspólne czynniki. Szafrański r 1 ˆˆ ΛΛ' = I f rt xt można i 1 xit F = XC Wynik taki = 1 N również uzyskać. t + ε r .3. Doz i in. że różnice między prognozami wykorzystującymi wspólne czynniki uzyskane różnymi metodami estymacji R × ( S + 1) są nieznaczne.. p ⋅i f=PC . Stock. t − p −1 + ε t + h r =1 p =1 – analizie głównych składowych ze spektralną estymacją rzędu opóźnień.. że w statycznym modelu czynniki idiosynkratyczne mają strukturę autoregresyjną. Watson 1998). W przeglądowych pracach (Boivin. co jest utrudnione. EM) (por. f r .. L eszczyńska. .. Stock. T → ∞. p ⋅ f r . Watson 2002b) i bezpoT T N P średnią metodę prognozowania (ang. Stosując dla h ≥ 2 dwustopniową procedurę Stocka i Watsona (Stock.tanalizie czynnikowej jest stosowana ze względu na prostotę obliczeniową i jest równoważna metodzie największej wiarygodności. A . G.t − p −1 ) ∑ iˆ. t = λi . + λ i R . B a r a=n o w s k i . Stock. t +1 = A( L) f r .. 2000). 2006b).t ] większej wiarygodności T × R (MNW) i MNW z filtrem Kalmana za pomocą procedur do pakietu Matlab pochodzących z Doz i in.1 f 1. Watson (2002a) i Bai.. co jest alternatywnym sposobem uwzględniania opóźnień publikacyjnych.. Z drugiej strony =1 p =1 U (T × N ) jest to metoda statyczna i nie uwzględnia faktu.t − C' C = I R ∑ ∑∑ ∑ ∑∑ r =1 p =1 11 .ti . Eickmeier 2006) wskazuje się. jeżeli predyktory są słabostacjonarne – por.. 2006b). Ng (2002).t z równania (3) lub dynamicznej – z równania (6). minimalizując iteracyjnie sumę kwadratów reszt: = PC ∑ N x i . Na pierwszym etapie dokonujemy statycznej estymacji wspólnych PC czynników f i . prognozując wspólne czynniki na podstawie równania (7). . a na drugim etapie opracowujemy prognozę inflacji (tj. Boivin. t – maksymalizacji funkcji wiarygodności z wykorzystaniem modeli przestrzeni stanów i filtru Kalmana – por.t − 11 ogólnych założeniach nakładanych na składnikirlosowe (por.. t − Λ i . gdy składniki idiosynkratyczR Λ( normalny. Prognozując predyktory (składniki macierzy X) na podstawie algorytmu maksymalizacji Λ=C oczekiwań (ang. p ⋅ f r .t + .. Dlatego w opracowaniu odnosimy się przede wszystkim do wyników uzyskanych metodą głównych składowych (PC). . Kapetanios. direct PC forecasting).. estymator wspólnych czynników wg metody PC jest zgodny. F PC = XC 3.t + ui .t = ( xi .. Marcellino (2003). t = 1. Ω≡I Do pozostałych popularnych metod estymacji modeli DFM dla dużych zbiorów danych naleR P żą metody oparte α 0 + α 1 yt + yt + h = na: κ r . gdy N.. ˆ ui2. r . p f rPC p +1 + η t + h . Ng 2005. expectation maximization. Breitung. Jednak w modelu ze słabą korelacją składników idiosynkratycz�X = F Λ'ΛF' + Ω nych (przybliżony DFM).1 ( L) f1.r] N × R X 2. W niniejszym opracowaniu ta1 ostatnia metoda została wykorzystana jako metoda podstawot =1 t =1 i =1 p= wa dla modeli czynnikowych. + λi . Prognozowanie ˆ � = 1 NT XX' Prognozowanie na podstawie modelu DFM można przeprowadzić na wiele sposobów (zob. choć prezentujemy również wyniki uzyskane metodami najPC F PC = [ fr. (2006a. Iteracyjnie. ˆ 2. xi . PC ˆ ˆ PC Ng 2005): CDC' = F Λ'ΛF ' 1. zmiennejPspoza zbioru X) za pomocą następującego modelu prognostyczR nego (tzw.. p f rPC p +1 + η t + h . ˆ �X gdy z góry nie znamy ich liczby ani rzędu ich opóźnień.yt + h = β 0 +∑ β i xit + ε t + h ˆ i =1 �X R 28 yt + h = α 0 + α1 yt + ∑= r f rt + ε t + h ˆ Λ κC P.tf r=t ∑∑ (. diffusion index yt + yt + h = α 0 + α1 model): λ r . 2 . t + . + λuri2. Ponadto ma ona dobrze P ne mają rozkładN×R ) poznane własności asymptotyczne przy dosyć yt + h = α 0 + α1 yt + λ r . + Λ T T N P t =1 t =1 i =1 =1 X = FΛ' + pU (10) Metoda PCTw )dynamicznej PC F( ×R f i .ft R−t ∑u i .r .. (2006a. ˆ ˆ ∑∑ ∑∑ Λ = [λ i.t .xi .t = λ i .t − p −1 )2 .

Badanie empiryczne Do badania wykorzystano 182 szeregi o częstotliwości miesięcznej za okres od stycznia 1999 r. W metodzie z rozszerzanym okresem estymacji (ang. (2001) analizują prognozy z trzech modeli DFM. na podstawie eksperymentu Monte Carlo oraz przykładu empirycznego. rolling window) – ze stałego okna estymacji. w prognozach poza próbę jest bardziej odporna na zmiany strukturalne parametrów modelu prognostycznego.. .. Jednakże Boivin. Watson (2002b) i Wang (2009) notują dobre wyniki prognoz w krótkich horyzontach już dla modelu z jednym czynnikiem i jednym opóźnieniem. p ⋅ f r . do których budowy użyto zmiennych charakteryzujących odpowiednio: kategorie nominalne. realne oraz nominalne i realne jednocześnie. że w przypadku gdy zmienne są silnie współliniowe lub mają niewielkie wagi. Breitung. do września – grudnia8 2009 r. handel zagraniczny. produkcja 8 Różnica wynika z opóźnień publikacyjnych poszczególnych szeregów. a nie całej macierzy X. to w wielu pracach empirycznych można dostrzec. Z punktu widzenia równania prognostycznego (11) dla zmiennej może to nie być optymalne rozwiązanie. Oddzielnym zagadnieniem jest wybór długości okna do wyznaczenia wspólnych czynników i estymacja parametrów modelu prognostycznego. Innym rozwiązaniem jest skorzystanie z bardziej sformalizowanych metod. jak: wskaźniki koniunktury. 3.t prognozowaniePC− p −1 )2 . Eickmeier 2006). W literaturze można spotkać dwie grupy rozwiązań problemu wyboru liczby czynników i opóźnień (Bai. Ważną kwestią jest dobór zmiennych do modelu. p f rPC p +1 + η t + h .PC t yt + h = α 0 + α1 yt + ∑∑ λ r .tinflacji ∑Krótkookresowe. podaż pieniądza. Onatski 2009). W teorii wskazuje się. rezerwa obowiązkowa. . indeksy giełdowe. Angelini i in. Otter 2008. że własności modelu DFM poprawiają się wraz ze wzrostem liczby zmiennych wchodzących w jego skład (estymator jest N-zgodny). W tym opracowaniu liczbę wspólnych czynników i opóźnień dobieramy albo arbitralnie na niskim poziomie (R = 1. gdyż zależy nam na dokładnym opisie zmienności. albo posługując się standardowymi kryteriami informacyjnymi (BIC) bezpośrednio w równaniu prognostycznym (11). Zbiór danych obejmuje takie grupy zmiennych. wskazują. P = 1). dodanie nowych zmiennych do modelu DFM zwiększa błędy prognoz. Stock. Przykładowo. Ng (2006). że żaden z tych trzech modeli nie ma jednoznacznej przewagi nad pozostałymi. W badaniach empirycznych dla modeli DFM daje ona lepsze wyniki prognoz (por.F PC = XC ˆ ui2. że bardzo oszczędny model zapewnia pożądane własności prognostyczne. stosowana w niniejszym opracowaniu.t − R P r =1 p =1 11 (11) Jeżeli chodzi o liczbę wspólnych czynników i wybór rzędu ich opóźnień. żeby zmienność wspólnych czynników opisywała co najmniej ustaloną część zmienności macierzy kowariancji predyktorów. Druga z tych metod. bilans skonsolidowany MIF. r . expanding window) korzysta się z coraz dłuższej próby. T T N P t =1 t =1 i =1 p =1 29 f i . rynek pieniężny i obligacje. czy testu istotności poszczególnych opóźnień (Jacobs. Po pierwsze.t = ∑∑ ( xi − ∑ Λ i . a w metodzie rolowanej (ang. indeksy cen PPI. jak wybór czynników i opóźnień na podstawie zmodyfikowanych kryteriów informacyjnych (Bai. kursy walut. Obydwie metody dają liczbę czynników i opóźnień optymalną z punktu widzenia opisu zmienności zbioru predyktorów (X). Ng 2002). Ng 2002). na takim poziomie. liczba czynników może być ustalona arbitralnie. Rezultaty wskazują.

α1. 15 grudnia produkcja sprzedana dostępna jest za październik. p γjj ˆ 0 ˆ1 ˆr p ˆ ˆ ˆ ˆ ˆ α 0 . t + h PC r t− ˆ r p ˆPC p + 1 j= ˆ + h ˆ 0 ˆ1 R ytt + h = α 0 + α1 ytt + ∑ r==1 ∑ P = 1 λ r.. umieszczając w bazie każdą obserwację w terminie jej publikacji10. ceny paliw. Prognozy DFM wyznaczono na h = 1.. od okresu t (dla h = 1 prognoza dotyczy de facto bieżącego miesiąca).). A . RW) ˆ +h yt + h = ytrr 11 ˆ ˆ ˆ ˆ 11 yt + h = α 0 + α1 yt + j =1 γ j s j. w yt . model random walk. tt + h ˆ ˆ ˆ ˆ y = α + α wk + jj =1 γ s + h ∑ ∑ ∑ ∑ t+h 0 1 t t t ˆ yt .γj α 0 α1 λ r. a nie z okresem. p . y y ˆ j =1 ∑ ∑ j j. związany jest z datą. t + h 11 ˆ ˆ ˆ ˆ yt + h = α 0 + α1wkt + t +11 1 γ j s0j. p 1ffˆ. kiedy dane zostały opublikowane. że wybierają dominujący w zbiorze danych wzorzec zmienności. 12 miesięcy naprzód. Przed przystąpieniem do wyznaczenia wspólnych czynników predyktory zostały tak wystandaryzowane.tt f i . p . λ r. jeden miesiąc dla inflacji oraz zero miesięcy dla kursów walut (szczegóły zawiera Aneks A). L eszczyńska. dnia każdego miesiąca.PC p + 1 + =∑ 11p =γj sr. a dane publikowane z częstotliwością dzienną (np.. t + h r − +h =1 r =1 p =1 (DFM+AR) 12 Prognozy te porównano z modelamirrwzorcowymi: 1 ˆ+ 12 ytrr h = y 1 rr j =1 t − j +1 12 y rr ˆ rr 12 12 ytrrh = 1 rr − j= ˆ ++ h 1 yttrr h = 12 12=11 ytttrr jjj++11 rr + 1 − ˆ+ (zwykła średnia) yt + h = 12 jjj = 1 yt − j + 1 − =1 12 ˆ+ ytrr h = ytrr rr rr ˆ rr ytrrh = ytrr yttrr h = yttrr ˆ ++ (metoda naiwna. Problem opóźnień w publikacji danych statystycznych rozwiązano. p f r. W rezultacie ze względu na ograniczoną liczbę wspólnych czynników (zasada oszczędności) mogą nie zostać uchwycone wahania krótkookresowe. W celu oceny prognoz wygenerowano 24 prognozy poza próbę (okres weryfikacji prognoz od grudnia 2007 do listopada 2009 r.t ˆ fˆii . dominującym wzorcem zmienności będzie trend. fˆi . korzystając z modeli prognostycznych (11) rozszerzonych o deterministyczną sezonowość: R P 11 ˆ ˆ ˆ ˆ ˆ P 11 yR h = α + α yt + ∑ r 1 ∑ 1 λ fˆPC + γs R P 11 γ ˆ ˆ ˆ ˆ P ˆ yt + h = α 0 + α1 yt + ∑ rtR+1 ∑ p =01 λ r. t + h 1 t (model wskaźników wyprzedzających. 2. p .. Metody te działają bowiem w ten sposób. Zytego powodu dzień miesiąca. rynek pracy. AR) ˆ0 ˆ ˆ ˆ yt + h = α 0 + α1 yt + jjj =1 γ j s j. aby otrzymać szeregi stacjonarne. λ r. α1... B a r a n o w s k i .30 P. α1. Zmienne odsezonowane poddano następnie transformacjom. inflacja i jej komponenty za listopad. gdy predyktory będą niestacjonarne. p ˆ. ceny płodów rolnych i komponenty CPI (szczegółowy wykaz w Aneksie A). którego doytrr. ˆt ˆ ytrr ytrr 10 W tym opracowaniu indeks t. … . γj ˆ ˆ ˆ ˆ α 0 ..j. ceny surowców na rynkach światowych. G.. t + h .t ˆ ˆ ˆ ˆ α 0 . tt + h (model autoregresyjny pierwszego rzędu.PC p + 1 + ∑11=11 ˆ jj s jj. γj rr ˆ rr ˆ ∑ ∑ ∑ ∑ ∑ ∑. yt 9 Z kolei yt przypadku. Mimo to uprzednie pozbawienie danych sezonowości może budzić pewne wątpliwości. ma wpływ na określenie wartości tych tyczą. finanse publiczne.t indeksów.pt + hr. Do wyznaczenia prognoz korzystamy z danych dostępnych 15. t + h +h =1 11 ˆ ˆ ˆ h ˆ y 11 = α + α wk + j =1 γ j s j. t − p + 1 ∑ j = 1 j j. W ślad za większością dotychczasowych badań do konstrukcji wspólnych czynników wykorzystujemy dane oczyszczone z sezonowości metodą TRAMO/SEATS. Szafrański sprzedana przemysłu i budowlano-montażowa. y yt ˆt fˆi . Eksperyment prognostyczny wykonano na łańcuchowych miesięcznych indeksach cen konsumenta oraz inflacji bazowej. aby miały jednostkową wariancję. Lead) j= ˆ ˆ +h ˆ 0 ˆ1 ytt + h = α 0 + α1wktt + 11=1 γ jj s jj. tt + h ˆ r − ˆ ˆ ˆ p ˆ yt + h = α 0 + α1 yt + ∑ r =1 ∑ p = 1 λ r. w którym dane były uaktualniane. W związku z tym opóźnienie publikacji – według stanu na połowę miesiąca – wynosi dwa miesiące dla produkcji sprzedanej. t + h ˆ1 j= ˆ ˆ +h ytt + h = α 0 + α1 ytt + 11=1 γ jj s jj. ytrr rr rr rr ˆ rr ˆttrr yttrr. W przypadku zastosowania danych zawierających sezonowość otrzymane wspólne czynniki będą zdeterminowane głównie przez wspólny dla większości predyktorów wzorzec sezonowości. Naszym zdaniem ważny argument na rzecz odsezonowywania wynika z metod wyznaczania wspólnych czynników.. kursy walut) – za pierwszą połowę grudnia. ttt − p + 1 + ∑ jjj = 1 γ j s j. λ r. yt ˆ ytt .. Przykładowo.. który może znacznie odbiegać od wzorca sezonowości indeksu inflacji9. potencjalnie bardzo przydatne w prognozowaniu. t + h 11 ˆ ˆ ˆ ˆ yt + h = αˆ0 + α1 yt + 11 1 γ j s j.

ˆ f ˆ– 11 yˆi . ˆ ˆ tt .yˆj+ i Πhj =1 yt − j +1 γ ˆ y h ˆ rr y rr h ˆ ytrr. średnia DFM ≠ WZORC i = AR. t + h j 31 ˆ0 ˆ ˆ ˆt yrr+ h = αrr + α1 yt + ∑R=1 γ j sPj..1 yłych (okresach). t + h ˆ yt + h ˆ 0 ˆ 1 t t ∑ 11=1 γ j = j. 2006a). RW MSEWZORC H=1 : MSE . yti+t h = α 0 + α1 yt + ∑ j==1 γ j s j. γj α 0 – ˆλ p α wkt. Zastosowano dwie metody annualizacji w zależności od horyzontu prognozy12: ˆ . p . P – odpowiednio: j liczba i ˆ ˆ ˆ ˆ. Ht1rr: ∃ Πih 1 y tDFM h=1 MSEi i ˆ : = MSE ˆ yt +1 ∃ Πi==1 y t + i Π >1MSE1 j= y H1 DFM MSE DFM . yy– yrrh = trr trr indeks cen rok do roku (CPI lub inflacja bazowa) oraz jego prognoza. Lead. Πri. Ponadto dla horyzontu jednomiesięcznego (niewymagającego składania prognoz pochodzących z różnych modeli) prezentujemy dodatkowo wyniki estymacji modelu DFM z użyciem bardziej zaawansowanych obliczeniowo metod – filtru Kalmana (Doz i in. RW. 12 Ze względu na coroczną rewizję wag indeksu CPI oraz sposób obliczania inflacji rocznej przez GUS agregacja czasowa obarczona jest błędami (sięgającymi w zależności od miesiąca i horyzontu nawet powyżej 0. λ r. t + h f rr rr ˆ ˆ ˆ ˆ yt 0. MSEWZORC t − j + i H 1 : ∃ MSE DFM > MSEi MSE DFM .αˆ r. t + h ∑ ˆ ˆ ˆ ˆ = α + α wkt 11 = ˆ yt + h = α 0 + α 1y + + ∑ jjγ1 γ j s j. ˆ ˆˆ ˆ λ γ yt + h α wybrany ankietowy j s j. rolling sample). że błędy agregacji będą stosunkowo niskie. t + h j= ˆ ˆ ˆ y+ f sˆirr – =1 y rr (py j /y )∑ j =1 ˆ trr h ˆ t +1 t −11 yj.MSE ≠ > średnia = ∃MSE ..h yt 1 ∑12 ytrr j + 1 j =1 12 ˆ rr ˆ= ytrr.). RW Lead.prognostycznym. 12-miesięcznego okresu weryfikaH 0 aneksach ≤ MSEi DFM H 1 ∃ MSE DFM do listopada 2009 r. yt ˆt h ˆ t +1 t −11 ˆ ˆ ˆ= λ ˆ t – oszacowania (MNK) parametrów strukturalnych poszczególnych modeli proα t0+. indeks cen produkcji sprzedanej przemysłu).λ+. ˆˆjwk + 11 γ wskaźnik koniunktury (ogólna sytuacja ekonomiczna w handlu)11. yˆ – 11 ˆ ˆ ˆyt+ y rr rr ˆ ytrr h. a pierwszych pięć czynników za około 35% tej zmienności. RW. tKrótkookresowe prognozowanie inflacji .t yt ˆ ˆ ˆ ˆt yftˆi+. +.1 =trr ih=1 y t + i Πhj =1 yt − j +1 rr ˆ Π + gnostycznych. ˆ t +1 /yt −11 Wszystkie yt fˆ H. t + h − j 12 + α y + ˆ ˆ ˆ yt + h = α 0 ˆ1 t ∑11=1 γ j s j.1α1. t + h ˆ = ˆˆ γ ˆ αt 0 . yt = y rr ( y /y ) t ˆy+1 = yt trr. . Wyboru dokonano spośród wielu rozważanych zmiennych (ankietowe wskaźniki koniunktury.PC p + 1 + ∑ 11 1 γ j s j.th = α 0 + α1 yt + ∑ 11 1 γ j s j. RW. Wyniki DFMLead. RW. od 92 do 103 miesięcy. Lead. MSE i= ≤ MSE H : MSE DFM H 0 0 ::∀ MSE DFM MSEWZORC i H MSE DFM MSE DFM .t.:αMSEp . Zastosowane metody gwarantują. 2006b) i metody quasi-największej wiarygodności (Doz i in. t + h rr ˆ . ( ytt++11 /WZORC dla h = 1 ˆ ˆ y DFM MSE yt −11 ) y Ht01:: ∀ MSE DFMtMSEWZORC ≤ H +1 MSE DFM ≠ −11 MSEi H 0 : ∀ MSE DFM h ≤ MSEi h ˆ rr = MSE i Π ≤ MSE ˆ y 0+:1 ∀ MSE +DFM j> yt − j +1 dla h ≥ 2. p r. MSE= y (DFM /y ) WZORC Hrr DFM ˆ WZORC ˆ yt +01 MSE= yttrr. t + h y = α + α y + r =1j =1 ˆ λ fr t − + j = γ s ˆ ˆ ˆ yt + h = α0 + α1 wkt + r =1 ∑ ps1 tˆ r..r =1 p =1 j =1 12 ˆ rr ytrr h = ytrr + ˆtrr h = ytrr y+ ˆ y = y rr 12 1 ˆ tt++ h ˆ + α 1 trr j + 1 11 ˆ ytrr+hh = αt0 ∑ˆj1=yty+ ∑11 γ j s j. y rr ˆ yrr+1 = t Πi =1 y t + i Π j =1 yt − j +1 ˆ ˆ+1 = yt ( ymodele) estymowano rekursywnie w stałym oknie estymacji (ang. MSE i MSE DFM .. α ˆy λ r.t0 : MSE estymacji wynosi.0 : MSE DFM = hMSEWZORC ˆ ˆ H+0 MSE DFM ≠ 1 yt − jWZORC ytrr11 wyznaczone =prognozy Πih= y t + = Tak::=MSE1DFM i Π jMSEWZORC inflacji miesięcznej posłużyły następnie do wyznaczenia prognoz in+1 ˆ H01. t + h y gdzie:t+.MSE iH :0:AR. 11 Wybór wskaźnika wyprzedzającego wynika ze wstępnych analiz błędów prognoz RMSE w przyjętym 24-miesięcznym okresie weryfikacji.α11wktt + ∑ 11 1 γ j s j. kryterium informacyjnego Schwarza (BIC). y 1 − y ˆ t ytt+ h = 12 ∑ jj==11 ytrr j + 1 − ˆt rr12 indeks cen miesiąc do miesiąca (CPI lub inflacja bazowa) oraz jego prognoza. : ∀ MSE przedstawiamy także wyniki dla krótszego. α1t. γ ≠ MSE flacjiˆ 0 . γj ≠ MSEWZORC ˆ ˆ . Spośród tych modeli prezentujemy tylko model z liczbą wspólnych czynników określaną i = AR. t + h ˆ yt + h ˆ ˆ 0 ˆ1 t ∑ ˆ j s j.+ .α00r. Lead≤ średnia 1.MSE iWZORC MSE DFM MSE MSE porównań modeli DFM i modeli wzorcowych prezentujemy dla 24-miesięcznego okreMSE DFM .. α1. Porównanie modeli oparte było na podstawie wskazań średnia na syntetycznych miarach błędów prognoz poza próbę RMSE. MSEWZORC rr : MSEMSE= MSE rr.). +h j =11 1 11 ˆ y = α + α wk ∑ R γPs ˆ r ˆPC y ˆˆ ˆˆ ˆ yˆttt+++hhh = α t00 + α11yt + + ∑11∑ pj = 1j. średnia Wyniki DFM . ytrr. MSE ii MSE DFM MSE ków13. DFMj α H 1 : ˆMSE p ˆ WZORC MSE DFM . hp fˆ. t + hrząd opóźnień wspólnych czynników wykorzystanych w modelu R. W celu czytelnego przedstawienia wyników wybór specji (od :grudnia 2008> MSEi H 1 : ∃ MSE DFM > MSEi cyfikacji modeli DFM ograniczono głównie do prostych modeli z jednym opóźnieniem i jednym MSE DFM Podobne rezultaty można uzyskać dla modelu z większą liczbą wspólnych czynniczynnikiem. Lead. przy zachowaniu prostoty obliczeń. DFM MSE i 1 iH 1 AR.+t 1 deterministyczne zmienne sezonowe (przyjmujące wartość 1 w miesiącu j i 0 w pozostat ˆ + ˆ ytrr yt +1 /yt −11 ) ˆ ytrr. λ . fi t Hi . MSE i= MSEWZORC 4. ˆ=. średnia i = AR. =t wspólne czynniki wyznaczone metodą głównych składowych. t − p + 1 ∑ j = 1 ˆ j j. ˆ rr ytt+ ˆt h y yt yˆt+ . = tα 0 + α1wkt + ∑ j =1 γ j s j.1 pkt proc. MSEi h > H 0W∀ . Długość okna DFM = MSEWZORC w zależności od horyzontu prognozy. zmienne z rynku finansowego. 13 Dla ilustracji: pierwszy czynnik odpowiada za nieco ponad 11% zmienności predyktorów w całym badanym okresie.. MAE i ME. α1. DFM ˆ αrok 1do rroku.. MSEWZORC j =1 su weryfikacji w dwóch układach: oddzielnie dla bieżącego monitoringu (h = 1) i dla prognoz na i = :AR MSE DFM .=p1.

Wszystkie modele dla rzędu opóźnień P = 1.) Model AR RW Lead Zwykła średnia DFM_PC DFM_PC DFM_Kal DFM_Doz Liczba czynników 5 cz.002 .245 MAE 0.152 0.009 0.018 0.604 0.161 0. A .117 0. W tabeli 2 przedstawiamy analogiczne rezultaty dla inflacji bazowej z wyłączeniem cen energii i żywności. L eszczyńska. filtr Kalmana oraz metodę quasi-największej wiarygodności. że: – spośród porównywanych modeli wzorcowych najniższe błędy uzyskuje się za pomocą modelu autoregresyjnego.009 Uwaga: sufiksy _PC.068 0.213 0.033 0.177 0. – prognoza za pomocą modeli DFM jest porównywalna (w sensie RMSE) z najlepszą metodą wzorcową. _Kal. Szafrański Tabela 1 Błędy prognoz h = 1 (bieżący monitoring) – inflacja CPI (pkt proc.177 0.150 0.018 0.060 0.264 -0.154 0.131 0.019 0.125 0.179 ME 0.117 ME 0. Wyniki dla inflacji bazowej (tabela 2) wskazują. 1 cz. Ranking (RMSE) 3 6 5 7 4 3 2 1 RMSE 0.093 0.250 0.033 0.246 0.071 0.487 0.276 0.473 -0.186 0.) Model AR RW Lead Zwykła średnia DFM_PC DFM_PC DFM_Kal DFM_Doz Liczba czynników – – – – 4 1 1 1 Ranking (RMSE) 5 7 6 8 2 4 3 1 RMSE 0.253 0. stosując model autoregresyjny (AR).181 0.145 MAE 0. 1 cz.32 P.121 0. że: – spośród metod wzorcowych najniższe miary błędów uzyskuje się.007 0.036 -0.181 0. 1 cz. B a r a n o w s k i .776 0. Tabela 1 Błędy prognoz h = 1 – inflacja bazowa z wyłączeniem cen energii i żywności (pkt proc.251 0. G.250 0.216 0. _Doz oznaczają metodę wyznaczania wspólnych czynników – odpowiednio głównych składowych. Wyniki zaprezentowane w tabeli 1 wskazują. – wybór metody estymacji nie ma istotnego wpływu na własności prognostyczne modelu DFM.149 0.294 0.135 0.937 0.

378 1. 12 – inflacja CPI (pkt proc.479 0.591 Lead 0. 1 opóźnienie) 0.399 0.962 0.364 0.676 1.390 1.597 0. 9. 6. – wybór metody estymacji nie ma znacznego wpływu na własności prognostyczne modelu DFM.430 0. Tabela 3 Błędy prognoz h = 2.227 1.729 1.044 1.559 0.343 1.417 1.280 1.992 1.406 -0. modelem AR i LEAD) dla horyzontów h < 6.604 0. 3.067 0.202 0.378 RW 0.003 0.420 0.819 0. • Zastosowanie modeli DFM pozwala ograniczyć błędy prognoz RMSE dla h ≥ 6 horyzontów naprzód (od 5% dla h = 10 do 30% dla h = 12).105 0.832 1.056 0. Dla inflacji CPI po skróceniu okresu weryfikacji do 12 miesięcy otrzymano podobny ranking. 6. Aneks B).989 0.566 0. 9.357 0.995 0.992 0.534 1. Eickmeier (2006).339 h=2 h=3 h=6 h=9 h = 12 14 Wcześniej podobne rezultaty otrzymali Breitung.695 DFM_PC (3 czynniki.951 1.220 0.315 DFM_PC (1 czynnik.847 0.733 -0.587 1. Ponieważ w eksperymentach dla h = 1 wybór metody liczenia wspólnych czynników nie wpływał istotnie na wielkość błędów prognoz.399 1.340 -0.450 0. Wyniki zaprezentowane na wykresie 1 i w tabeli 3 wskazują.192 0.892 0. W tabelach 3 i 4 prezentujemy szczegółowe wyniki ograniczone – ze względu na przejrzystość pracy – do wybranych horyzontów prognoz.937 1. a dla inflacji bazowej przewaga modeli czynnikowych zmniejszyła się na korzyść modelu wskaźników wyprzedzających (zob.802 0.486 0. prezentowane są wyłącznie modele DFM szacowane metodą głównych składowych14. h = 2.322 1.395 -0.572 1.890 0.452 0.466 0.202 0.896 0.935 0.162 0.337 -0.. tj.141 0.559 1.054 0.161 0.548 0.127 1.490 -0.041 0.110 0. 12 miesięcy.841 0. że: • DFM jest porównywalna (pod względem RMSE) z najlepszymi modelami wzorcowymi (tj.717 0. Ponadto dla najlepszych prognoz DFM i prognoz wzorcowych błędy RMSE dla wszystkich horyzontów do h = 12 przedstawiono na wykresach.066 0.033 0. w porównaniu z analizowanymi modelami wzorcowymi.992 0. 33 – prognozy za pomocą modeli DFM są lepsze o około 5% (pod względem RMSE) od najlepszych modeli wzorcowych.038 0.506 0.938 1.195 0.695 1.647 1.078 0. 3.911 średnia 1.894 0..203 1.948 0. .301 1.033 1. 1 opóźnienie) 0.629 1.) Prognozy Horyzont prognoz RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME zwykła AR 0.Krótkookresowe prognozowanie inflacji .

004 0.858 1.504 0.415 DFM_PC (3 czynniki.236 0.858 0.320 -0.173 0.313 0.427 0.626 0.089 0.128 -0.293 0.607 0.) Prognozy Horyzont prognoz AR RW Lead Zwykła średnia DFM_PC (1 czynnik.4 1. 9.120 1. 1 opóźnienie) 0.263 -0.023 0.393 0.113 0.352 0.184 0.299 0. L eszczyńska.228 0.291 0. B a r a n o w s k i .456 0.202 0.513 0. Tabela 4 Błędy prognoz h = 2.0 0.403 1.026 0.4 0.153 0. 12 – inflacja bazowa (pkt proc.883 0.352 0.654 0.1)* * Liczba czynników i ich opóźnień w modelu DFM przedstawiana jest w nawiasie.225 0.635 1.427 0.219 0.447 1.955 0.6 0.273 0.392 0.2 0.880 0.920 0.869 0.425 -0.194 .621 0.234 0.459 -0.164 -0.8 1.152 0.349 0.079 0.958 0.764 0.621 0.8 0. 1 opóźnienie) RMSE h=2 MAE ME RMSE h=3 MAE ME RMSE h=6 MAE ME RMSE h=9 MAE ME RMSE h = 12 MAE ME 0.110 0.357 1. Szafrański Wykres 1 Błędy RMSE dla wybranych metod prognozowania inflacji CPI 2.164 -0.189 0.583 0.0 h = 1 h = 2 h = 3 h = 4 h = 5 h = 6 h = 7 h = 8 h = 9 h =10 h =11 h =12 AR Lead RW DFM (3.677 0.189 1.120 1.508 0.753 0.153 0.548 0.275 0.341 0.402 0. 6.192 0.357 0. 3.2 1.244 -0.34 P.515 0. A .492 0.452 0. G.546 0.030 0.630 0.179 0.851 0.680 0.450 0.279 1.0 1.403 0.362 -0.048 0.6 1.379 0.

w którym statystycznie istotna przewaga modeli DFM w prognozowaniu inflacji w Polsce została potwierdzona w krótkich horyzontach (obejmujących 15 Nie udało się tej przewagi potwierdzić w krótszym okresie weryfikacji – por. (2) zmiennych najsłabiej skorelowanych (bieżąco i z opóźnieniem) ze zmienną prognozowaną i (3) poszczególnych grup zmiennych uporządkowanych tematycznie. 35 Wykres 2 Błędy RMSE dla wybranych metod prognozowania inflacji bazowej 2.4 0. • Dla h > 3 modele DFM są co najmniej porównywalne z najlepszymi prognozami wzorcowymi. modeli AR i LEAD). w którym wystąpiła gwałtowna zmiana tendencji inflacyjnych. a ich przewaga zwiększa się wraz z horyzontem prognozy (błąd RMSE modelu DFM z jednym czynnikiem stanowi średnio około 50% błędu uzyskanego dla najlepszego modelu wzorcowego)15.. tabela 5 w Aneksie C. Dodatkowo podjęto dalsze próby zmniejszenia błędu prognoz przez wyłączanie z bazy danych modelu DFM: (1) zmiennych o najniższych ładunkach.0 1. Przewaga dokładności prognoz otrzymanych za pomocą modelu DFM nad prognozami z modeli porównawczych znajduje także potwierdzenie w innych badaniach tego typu. stosunkowo dobre wyniki prognoz uzyskiwano za pomocą zwykłej średniej. Wyniki dla inflacji bazowej (tabela 4 i wykres 2) wskazują.Krótkookresowe prognozowanie inflacji . 3 modele DFM są nieznacznie gorsze od najlepszych metod wzorcowych (tj.8 0.2 1.. a dla dłuższych – model wskaźników wyprzedzających.0 h=1 h=2 h=3 h=4 h=5 h=6 h=7 h=8 h =9 h=10 h=11 h=12 AR Leading Indicator Random walk DFM (1.0 0.6 1.4 1.2 0.8 1.). Przykładem takiego badania jest artykuł Kotłowskiego (2008). tabela 4 w Aneksie C).6 0. że: • Dla h = 2.1)* * Liczba czynników i ich opóźnień w modelu DFM przedstawiana jest w nawiasie. . Zabiegi te nie wpływały istotnie na uzyskiwane błędy prognoz. • Spośród pozostałych metod prognozowania dla h = 2 najniższe błędy zapewnia model autoregresyjny. a modele DFM zdobywały przewagę jedynie w dłuższych horyzontach (por. W tabeli 4 prezentujemy rezultaty dla inflacji bazowej z wyłączeniem cen energii i żywności. W krótszym okresie weryfikacji (od grudnia 2008 do listopada 2009 r.

L eszczyńska. 5. Hallin M. 2. Bassanetti A. ECB Working Paper. Aneks D – wskazują. 061. Runstler G. 1. Stavrev 2008). nowcasting).. Na podstawie danych statystycznych obejmujących szeregi miesięczne dostępne na 15. 16 Wyniki testu statystycznego Harveya (Harvey i in. Berger. Otrzymane rezultaty można podsumować następująco. Przewaga ta nie została potwierdzona w krótszym okresie weryfikacji.. (2001). Lippi M. Mestre. 3108. a w równaniu prognostycznym wykorzystano dwa wspólne czynniki z jednym opóźnieniem. Prognozy inflacji CPI uzyskane za pomocą modelu DFM dla krótszych horyzontów (h < 6) są porównywalne z najlepszymi prognozami wzorcowymi. Ze względu na stosunkowo krótką próbę przy interpretacji wyników tych testów należy jednak zachować ostrożność. . Pogłębiona analiza tej klasy modeli może umożliwić ekonomiczną identyfikację źródeł inflacji oraz pomóc w poprawie jakości prognoz wykorzystujących modele czynnikowe. G. (2001).. ECB Working Paper. A .36 P. 1997) oraz testu SPA (Hansen 2005) – por. Diffusion Index-based Inflation Forecasts for the Euro Area. 953. CEPR Discussion Papers. Kapetanios i in. wskaźników wyprzedzających i prosty model VAR. szczególnie dla dłuższych horyzontów prognozy. B a r a n o w s k i . R. Rolę modeli wzorcowych w tym przypadku odegrały modele: autoregresyjny pierwszego rzędu. Forni M. Dla dłuższych horyzontów charakteryzują się mniejszymi błędami RMSE (w najdłuższym rozważanym horyzoncie są o około 30% niższe od modeli wzorcowych)16. EuroCOIN: A Real Time Coincident Indicator of the Euro Area Business Cycle. wybieranych na podstawie ich związku statystycznego ze zmienną prognozowaną (Bai.. że przewaga modelu DFM nie jest istotna statystycznie. Podsumowanie W opracowaniu podjęto próbę zastosowania dynamicznych modeli czynnikowych (DFM) do prognozowania inflacji w Polsce. Zaprezentowane w pracy wyniki dla modeli DFM pozwalają sądzić. Podobne wyniki uzyskano we wcześniejszych badaniach (np.. dzień miesiąca sporządzono prognozy inflacji publikowanej w bieżącym miesiącu (ang. Henry J. Prognozy inflacji bazowej (z wyłączeniem cen żywności i energii) z wykorzystaniem DFM w podstawowym okresie weryfikacji były dla horyzontów h > 3 porównywalne z wynikami uzyskanymi za pomocą konkurencyjnych metod lub lepsze. że efektywne korzystanie z dużego zbioru danych może obniżyć błędy prognoz inflacji poza próbę. Ng 2008). Bańbura M. (2008). 2008. a także na kolejne miesiące (do 12 miesięcy naprzód). Bibliografia Altissimo F. Estimating and Forecasting the Euro Area Monthly National Accounts From a Dynamic Factor Model.... Angelini E. Giannoni V. Reichlin L... Angelini E. Wykorzystany model czynnikowy zbudowany był na bazie 92 zmiennych. Przedmiotem dalszych badań autorów będzie analiza czynnikowa z użyciem zmiennych. Cristadoro R. Szafrański 1 miesiąc i 3 miesiące)..

S. 99 Luftballons: Monetary Policy and the House Price Boom Across U... (1997). G. Are More Data Always Better for Factor Analysis? Journal of Econometrics.. (2009). Journal of Monetary Economics. Gospodarka Narodowa. 27–42. 169–194. 14349. Inflation Forecasting in the New EU Member States.S. Otrok C. Lippi M. Forni. 525–546. 20 (9). Measuring the Effects of Monetary Policy: A FactorAugmented Vector Autoregressive (FAVAR) Approach. THEMA Working Papers. (1998). (2005). (2006). 132 (1). Boivin J.. 191–221.. M. (2005). Boivin J. Econometrica. Understanding and Comparing Factor-Based Forecasts. Aggregation and the Microfoundations of Dynamic Macroeconomics.. (2006). A Two-step Estimator for Large Approximate Dynamic Factor Models Based on Kalman Filtering. 70 (1). 304–317. 08/166. International Journal of Central Banking. Leading Indicators for Euro-area Inflation and GDP Growth. Ng S.. Kotłowski J. Econometrica.. 1281–1304. Veronese (2005).. Determining the Number of Factors in Approximate Factor Models. Oxford Bulletin of Economics and Statistics. Credit and Banking. Scotti C. The Generalized Dynamic–Factor Model: Identification and Estimation. 37 (3). (2000). Has Monetary Policy Become More Effective? Review of Economics and Statistics. 453–473... 1962–1985. Ng S. Eickmeier S. Chamberlain. Forni M. Leiner-Killinger N. Bernanke B. Diebold F. 117–151. Let’s Get Real: A Factor Analytical Approach to Disaggregated Business Cycle Dynamics. Bai J. Doz C. Hallin M. and Mean-variance Analysis of Large Asset Markets. The Information Content of Money in Forecasting Euro Area Inflation. A Core Inflation Indicator for the Euro Area. Giannoni M. Forecasting Economic Time Series Using Targeted Predictors. Cristadoro R. Stavrev E. 674.. G. Giannone D. 88 (3). (2009). 1015. Bernanke B. Boivin J. 54 (7). . Journal of Money. 51 (5). Bezwzględna stopa inflacji w gospodarce polskiej. NBER Working Paper. Del Negro M. Monetary Policy in a Data-rich Environment.P. Reichlin L. Masten I... 23. Boivin J. Ng S. Dynamic Factor Models.. 445–462. 1 (3). ECB Working Paper. (2006b). Arbitrage Factor Structure. Boivin J.Krótkookresowe prognozowanie inflacji .. Reichlin L.. IMF Working Paper.. Brzoza-Brzezina M. Giannone D. (2008). Forni M. L. Doz C. Forni M. The Review of Economics and Statistics. (2007). Quarterly Journal of Economics... Bai J. (1983). (2006a). Oxford University Press. ECB Working Paper. (2005). The Review of Economic Studies. 387–422. Banerjee A. 67 (supplement). New York. Breitung J. Journal of Econometrics. 539–560... Lippi M. 120 (1). (2002). Rothschild. AStA Advances in Statistical Analysis. 50 (3). 90 (1). Eliasz P. (2003).. A Quasi Maximum Likelihood Approach for Large Approximate Dynamic Factor Models... Real-Time Measurement of Business Conditions. (2008).. 146 (2). States. Berger H.. Aruoba B.. (2006). 37 Arratibel O. Journal of Monetary Economics. M. Marcellino M.. Reichlin. Kamps C.. 1–21. 82 (4). 65 (3).S. Reichlin L. Reichlin L.. 540–554. Ng S. (2008).

Forecasting Inflation and Output: Comparing Data-rich Models with Simple Rules. 1167–1179. (2007). Leybourne S. (2004). 47 (1). Journal of Monetary Economics.W. (2005). Macroeconomic Forecasting in the Euro Area: Country Specific versus Area-Wide Information.. Elsevier. (2008). Watson M... 281–291..H. Testing Hypotheses about the Number of Factors in Large Factor Models.H.. Stock J. (2003). Forecasting Inflation with Dynamic Factor Model – the Case of Poland. Gosselin M. 17 (1).W. 91–112. G. Stock J. Schumacher C. Otter P.C. Tkacz G. Stock J. 27 (4–6). 20 (2). Harvey D. 44 (2).H. Journal of Business and Economic Statistics. L eszczyńska. 15–18.H.. Kapetanios G. 772–792. Reichlin L. Chapter 10. Forecasting Inflation. 385–397... G. 25 (4). 55 (4). Newbold P. Watson M. Journal of Forecasting. Handbook of Economic Forecasting. (1997). Stock J. A Test for Superior Predictive Ability..W.. Economic Modelling. Rencher A.W. Marcellino M. Determining the Number of Factors and Lag Order in Dynamic Factor Models: A Minimum Entropy Approach.C.. Forecast Combination and the Bank of England’s Suite of Statistical Forecasting Models. 66 (1).H. Forecasting Using Principal Components From a Large Number of Predictors. (1998). Amsterdam Wang M. Granger. Hansen P.W. European Economic Review. 147–162. Forecast Pooling for European Macroeconomic Variables. Econometrica. Oxford Bulletin of Economics and Statistics. Stock J. A Comparison of Estimation Methods for Dynamic Factor Models of Large Dimensions. Elliott. (2009). 1–18. 77 (5). A .H. 293–335. Journal of Business and Economic Statistics. Jacobs J. Applied Economic Letters. Marcellino M. Comparing the DSGE Model with the Factor Model: an Out-of-sample Forecasting Experiment. Macroeconomic Forecasting Using Diffusion Indexes. Diffusion Indexes. New York. Onatski A. University of London Queen Mary Economics Working Paper. (2002b). A.. 23 (4). Using Dynamic Factor Models to Forecast Canadian Inflation: the Role of US Variables. Volume 1. Journal of Forecasting.H. Watson M. Kliesen K. Price S.L. Szafrański Gavin W. Stock J. 26 (4). Kotłowski J. 489. John Wiley. Watson M... 24. 405–430. 365–380. Nowcasting: The Realtime Informational Content of Macroeconomic Data. (2010).T.W. (2002): Methods of Multivariate Analysis. Econometric Reviews. International Journal of Forecasting. Giannone D. 665–676. 6702.. 271–302. (2006). Louis Working Papers. 23 (6).. Testing the Equality of Prediction Mean Squared Errors.W. Forecasting with Many Predictors. Watson M. (2006). (2009).. Kapetanios G. (2002a). Labhard V.R. Forecasting German GDP Using Alternative Factor Models Based on Large Datasets. (2003). 167-182. (2008). Journal of Monetary Economics. (2004). 97 (460).. Combination Forecasts of Output Growth in a Seven-country Data Set. 13 (2). Marcellino M. (2008). Federal Reserve Bank of St..38 P. 28 (2). Small D. Timmermann. 054. . Warsaw School of Economics Working Paper.. Journal of the American Statistical Association. w: C. (1999). Journal of Forecasting. NBER Working Paper. 1447–1479. Stock J. (2008). Watson M. B a r a n o w s k i . Watson M..

addytywnie Różnie Nie Nie Nie Tak..Krótkookresowe prognozowanie inflacji . Wykorzystane dane statystyczne17 Tabela 1 Wykorzystane dane statystyczne (grupy zmiennych) Nazwa grupy Badania koniunktury (handel) Badania koniunktury (przemysł) Badania koniunktury (budownictwo) Handel zagraniczny Kursy walut Rynek pieniężny i obligacje Indeksy giełdowe Podaż pieniądza Rezerwa obowiązkowa Bilans skonsolidowany monetarnych instytucji finansowych Indeksy cen PPI Pozostałe wskaźniki gospodarcze Rynek pracy Finanse publiczne Ceny surowców Ceny paliw Ceny płodów rolnych Indeksy cen CPI Ilość 11 11 12 13 4 8 8 6 3 11 9 10 8 4 15 3 6 40 Dostosowanie sezonowe Tak.5 miesiąca +0. addytywnie Tak. 39 Aneks A.5 miesiąca +0.5 miesiąca 1 miesiąc 17 Ze względu na znaczne rozmiary załącznika szczegóły dotyczące zastosowanych danych statystycznych udostępnimy na życzenie – w takim przypadku prosimy o kontakt mailowy z autorami. różnie Tak. multiplikatywnie Tak. . różnie Tak. multiplikatywnie Transformacja Δ Δ Δ Δln lub Δ Δln Δ Δln Δln Δln Δln Brak Δln lub Δ Δln lub Δ Δln Δln Δln Δln Brak Opóźnienie publikacyjne 1 miesiąc 1 miesiąc 1 miesiąc 3 miesiące +0. multiplikatywnie Tak.5 miesiąca 2 miesiące 3 miesiące 2 miesiące 2 miesiące 2 miesiące 2 miesiące 2 miesiące 1 miesiąc +0. multiplikatywnie Tak.. addytywnie Tak. multiplikatywnie Tak.5 miesiąca +0. addytywnie Tak. multiplikatywnie Nie Nie Tak.

127 0.259 0.102 0.468 0.289 MAE 0. L eszczyńska.316 0.221 0.145 0.045 -0.149 0. Błędy prognoz dla 12-miesięcznego okresu weryfikacji Tabela 2 Błędy prognoz h = 1 (nowcasting) – inflacja CPI (pkt proc.146 0.122 ME 0.014 -0. B a r a n o w s k i .232 0.182 0.033 0.031 -0. A .278 0.292 0. 2 opóźnienia 1 1 1 Ranking (RMSE) 3 5 1 7 6 5 4 2 RMSE 0.024 -0.) Model AR RW Lead Zwykła średnia DFM_PC DFM_PC DFM_Kal DFM_Doz Postać DFM (liczba czynników) – – – – 1 czynnik.234 0.297 0.138 0.012 0.212 0.035 -0.180 MAE 0.235 ME 0.221 0.40 P.143 0.468 0.604 0.165 0.159 -0. G.212 0.290 0.229 0.315 0.015 .033 0.186 0.005 0.317 0.) Postać DFM (liczba czynników) – – – – 5 1 1 1 Ranking (RMSE) 4 5 6 8 7 3 2 1 Model AR RW Lead Zwykła średnia DFM_PC DFM_PC DFM_Kal DFM_Doz RMSE 0.235 0.007 -0.209 0.000 Tabela 3 Błędy prognoz h = 1 – inflacja bazowa z wyłączeniem cen żywności i energii (pkt proc. Szafrański Aneks B.041 -0.

881 0.797 -0.086 DFM_PC (3 czynniki.163 DFM_PC (1 czynnik.300 0.293 0.478 Lead 0.785 0.837 h=2 h=3 h=6 h=9 h = 12 .236 0.766 -0. 4.683 0.553 0.263 -0.783 0.564 0.078 1.675 -0.108 0.078 -1.) – okres weryfikacji 12 miesięcy Prognozy Horyzont prognoz RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME AR 0.389 -0.216 0.553 0.974 -0.154 1.539 0.533 -0.624 1. 12 – inflacja bazowa (pkt proc. 41 Aneks C.309 0.655 -0. Błędy prognoz dla 12-miesięcznego okresu weryfikacji Tabela 4 Błędy prognoz h = 2.435 0.898 0.845 0.140 0.057 0.948 0.703 0.726 0.649 0.092 0.280 0.439 -0.066 0.763 0.532 0.864 0.582 0.014 0. 12 – inflacja CPI (pkt proc. 6.400 0.245 Zwykła średnia 0.250 0.513 0.286 -0.057 0.882 0.643 0.842 0.900 0.608 0.272 0.847 1.777 0.723 -0.. 1 opóźnienie) 0.524 0.673 0.501 0.861 0.212 0.497 RW 0.527 0.797 -0.) Prognozy Horyzont prognoz RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME AR 0.228 -0.017 0. 3.294 0.211 0.479 -0.543 0.291 0.521 0.539 0.324 -0.279 0.643 0.493 0. 1 opóźnienie) 0.181 -0.365 0.582 -0.334 0.488 -0.284 0.450 h=2 h=3 h=6 h=9 h = 12 Tabela 5 Błędy prognoz h = 2.573 0.490 0.612 0.358 0.565 0.620 0.922 0.000 DFM_PC (1 czynnik.943 0.209 0.564 0.897 0.296 -0.743 -0. 9.217 0.643 0.437 -0.829 Lead 0.459 -0.671 0.124 0.783 0.885 0.514 -0.904 0.516 RW 0.196 1.573 -0.298 0.141 0.077 0. 8.181 -0.505 -0.974 DFM_PC (3 czynniki.213 0.359 0.260 0.712 0.369 -0.280 0.163 1.052 0.918 0.393 0.349 0.816 0.393 0.134 0.107 -0.154 0.847 0.420 0.216 0.837 -0.146 0.715 0.239 0.544 0.536 -0.329 0.803 0.425 -0.201 0.533 0.613 0.390 0. 1 opóźnienie) 0.546 0.304 -0.797 0.794 -0.525 Zwykła średnia 0.256 0. 6.139 -0.571 -0.816 -0.641 0.678 0.653 0.171 0.656 -0..164 0.108 0. 1 opóźnienie) 0.424 -0.679 0.607 0.Krótkookresowe prognozowanie inflacji .575 0.011 0.709 0.829 -0.

7 h=9 86.6 66. tytrr yt ˆ ˆˆrr rr rr fˆi . RW. ˆ rr ˆ αrr .ˆ y .6 31. MSE zontu) modelu DFM. Rezultaty zaprezentowane w tabeli 6 wskazują. MSE i li wzorcowych ( i = AR. (1997) oraz testu Superior Predictive Ability dla prognoz indeksu CPI (w %) h=1 97. … . Lead.0 61. 1 t ˆ 0+1α1 Πri. pD..7 h=7 78. . 1 DFM i H 1H∃: ∃ MSE DFM MSEi i : 1 MSE DFM > > MSE MSE DFM . Szafrański ∑γa nj. 2005) testowano hipotezę. MSE:Lead. Zestaw testowanych hipotez ma następującą postać: MSE DFMDFM iWZORC . = . DFM MSEi i H=H=: AR.ˆHLN) testowano hipotezę zerową o równej trafności najlepszego (dla ˆ ˆ ˆ = ˆ h αˆ . yt f i . A .=λ. B a r =1sˆ o wts k i . MSEWZORC charakteryzuje się większą trafnością od najlepszego (dla danego horyMSE DFM .y j ytrr. średnia rr rr ˆ α ˆ ˆ yt + h = α 0 +11ˆ1 yt + ∑ j =1 γ j s j.9 h=4 24.y y ˆ= = ˆ + t ˆ y ˆ+ ˆ t + ˆ α y + j =1 ˆ γ + j yt t+.7 66.ˆpytγj yt ˆ α ˆ αrr.5 51.7 h=2 81.0 h = 12 53. że: – dla wszystkich horyzontów h = 1. (1997. γ Załącznik. ˆ . W teście rr Harveyaˆi in. odpowiednio: najlepszego modelu DFM gdzie: MSE DFM . λ r .α1.5 59. .5 59. MSE DFM i najlepszego modelu = MSE = MSEWZORC H MSE WZORC H 0H 00:: ∀ DFMDFMDFM ≤ WZORC ≠ MSE : MSE H=:MSE MSEi MSE MSE DFM WZORC H 0 : ∀: MSE DFM ≠ MSE i MSE 1 ≤ MSE HMSE DFM MSE WZORC H 1H 11: w DFM ≠ Superior i : MSE > WZORC MSE Z kolei ∃ teścieDFM MSE Predictive Ability (SPA. MSE i MSE . 12 dokładność prognoz DFM i najlepszej prognozy wzorcowej jest porównywalna.3 HLN (p-value) SPA (p-value) HLN (p-value) SPA (p-value) Uwaga: p-value oznacza empiryczny poziom istotności testu. α1rr λ r.t t ˆ ˆ yt .t ˆ yt . tj. Hansen. średnia i =i ARAR. MSE i gdzie: MSE DFM . α1. t + h j 11 Tabela 6 Wyniki testów Harveya i in.8 h=8 77. MSE i – błędy średniokwadratowe. p yˆpj i ˆ modelu α λ Zestaw testowanych = y rr ( y ma następującą postać: ˆ+ ˆ ytrr1 hipotezt +1 /yt −11 ) t rr rr rr y rr y ( y = ( ˆ + = 11 H 1 y MSE DFM /yt)−MSE +0 : ˆ t +1ˆ:t=MSE tyt +1ˆ/ty1−MSE) WZORC y 0 H t DFM =t 11 WZORC rr H 1 : MSE DFM1 = hMSEWZORChj =1 yt − j +1 ≠ h= ˆ Hrr y rr = hΠh yˆt≠ hΠ ΠiWZORCi Π : MSE DFM ˆ + MSE y1 y t + i ˆ1 + ˆ+Π j − yt +1ˆ t=1 Πi =1 y=t1 iy t + ij =1 y=t1 j +t1− j +1 MSE DFM .rr.ˆhoryzontu)γj+h j 1 j +1 danegoαˆ=. że żaden H 1 : ∃ MSE DFM > MSE DFM . MSE H 0 : ∀ MSE DFM ≤ MSEi ≤ MSE 0 i ∀ ∀ RW. Lead.jt + hj. H DFM ∃ MSE i .2 h=6 86. t + h ˆt=hα +0α wk +P. RW. yyt. t + h ˆ 11 y. G. y ˆ 11 + . rr yt + 1 = yt ( ytt+ 1 /yt −11 ) f i=t yt ( yt +1 /yt −11 ) ˆft ˆ yˆi+t1 .Π ij =1 yt=− j +t1−DFM oraz najlepszego (dla danego horyzontu) modelu wzorcowego18. MSEWZORC to błędy średniokwadratowe. + h + ˆ 1 t ˆ 1 t ∑ j =1 ˆ j ˆ 42 yt + h j ˆ 0 ˆ f i . 18 Dziękujęmy Pawłowi Skrzypczyńskiemu za udostępnienie oprogramowania do testu HLN.yˆˆ1. średnia> MSE MSELead≤ średnia 0 :AR. RW. L eszczyńska. różnica między błędami prognoz MSE z modelu czynnikowego i modeli wzorcowych jest statystycznie nieistotna. Lead.j Testowanie hipotez o trafności prognoz CPI ˆ yt0 .3 h = 10 97.7 h=3 23.4 h=5 84.5 h = 11 77. MSEWZORC H 0 : wzorcowego.ri. 12 żadna z prognoz wzorcowych nie jest istotnie lepsza (w sensie trafności) od modelu DFM. γ ˆ yt0+1 ˆˆ hΠˆ =1 y0t Π r. średnia ).hλ p .γ+ . – dla wszystkich horyzontów h = 1. odpowiednio: najlepszego modelu DFM i modeMSE DFM . yt ˆ 0 ˆ . jts h.0 46. i z modeli wzorcowych nie MSEWZORC MSE DFM . … . ˆ ˆ ˆtˆ = ˆ 0 + ˆ γ ytrry tytrr= tα +yα hwkα+ 11 α 1wkt s+ ∑ j =1 γ j s j.h tytthα 0 α 0α1 yˆ1+ t∑∑γ=j1sˆj.9 49.. RW.4 65.3 48.5 66.

. The forecasting results compared to popular benchmark models (AR. To this end. Keywords: inflation. Short-term inflation forecasting using factor models Abstract Dynamic Factor Models are useful forecasting tools in data-rich macroeconomic environment. forecasting.Krótkookresowe prognozowanie inflacji ..2009 r.09. dynamic factor models . leading indicator. 43 Podziękowania Autorzy pragną podziękować wszystkim uczestnikom seminarium Instytutu Ekonomicznego NBP z 23. simple mean) suggest that out-of-sample prediction errors can be reduced when using factor models. random walk. Similar conclusions for other inflation series have been drawn in other studies. za cenne uwagi i komentarze do wstępnej wersji opracowania. In the paper we test short-term forecasting ability of diffusion index model for two Polish inflation indices (overall CPI and core inflation). we generate factors collecting synthetic information from a large macroeconomic database consisting of 182 monthly time series from the period 1999–2009 and use them in direct forecasting exercises. especially for longer horizons (up to a year ahead).

You're Reading a Free Preview

Pobierz
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->