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).

25 czasowych.i 12-miesięcznego okresu weryfikacji prognoz poza próbę..1 f . r t f r .. R f R . t − p −1 + ε t + h R P r =1 p =1 R yt + h = α 0 + α 1 yt + ∑∑ κ r . Nawet jeśli liczba zmiennych jest mniejsza niż rliczba obserwacji (N > T). N . Celem niniejszego badania jest sprawdzenie jakości krótkookresowych prognoz za pomocą modeli DFM dla dwóch wskaźników inflacji w Polsce... Prognozowanie na podstawie dużego zbioru zmiennych Oznaczmy przez X = {xit}i = 1. X = FΛ' + U Badania empiryczne porównujące wiele różnych metod prognozowania pokazują... Stock i Watsont (2006).t .. t najlepszych predykto= it x i .t informacji do kilku = 1. Ωκ yt + h = α 0 + α 1 yt + ∑∑≡ rI. metoda naiwna.. stanowiącymi dla nich punkt odniesienia (zwykła średnia. 2.... Struktura pracy jest następująca.sytuacji.. zwanej bieżącym monitoringiem (ang.. T F(T ×R ) determinant prognozowanego procesu. to ze względu na N wariancję estymatora 1 N oczekiwany błąd prognozy ex ante nie dąży asymptotycznie do zera. distributed lags. +ograniczenie izbioru+ u i .. Prognozy uzyskane za pomocą modelu DFM zostaną porównane z prognozami wzorcowymi.. W trzecim rozdziale przedstawiono założenia badania empirycznego. N . T rów (wyselekcjonowanych na przykład na podstawie kryteriów informacyjnych) może spowodoX = FΛ' + U x t = λ i .1. Podobne wnioski wynikają również z porównań różnorodnych modeli wykorzystywanych w Banku Anglii do prognozowania inflacji (Kapetanios i in. nowcasting).. przy wykorzystaniu 24.1 f 1 + . 1Z + . 2008).. przegląd metod estymacji oraz możliwość zastosowania tej klasy modeli do prognozowania.t kolei λ i . z wyróżnieniem prognozy publikowanej w bieżącym miesiącu.t duża . N zbiór zmiennych objaśniających (predyktorów)2 obserwowanych w okresach t = 1. 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. p ⋅ f r . Na podstawie dużego zbioru (N = 182) miesięcznych szeregów czasowych obejmujących obserwacje od 1999 do 2009 r.. a w czwartym – otrzymane wyniki..... p ⋅ f r . że predyktory poddano takimΛF' + Ω U (T × N ) uzyskać szeregi stacjonarne.. na podstawie którego wyznaczamy prognozy zmiennej na h okresów naprzód N X = {xit}i = 1. tj.. W drugim rozdziale artykułu opisano konstrukcję dynamicznych modeli czynnikowych.. DL). Stavrev 2008). (T = 127) sporządzono prognozy miesięcznej inflacji w ujęciu rocznym w horyzoncie prognoz do 12 miesięcy naprzód. w tym modeli stricte opartych na teorii ekonomicznej (Berger.. że ograniczenia dotyczące liczby stopni swobody �X = F Λ'ΛF' + Ω Ω≡I są szczególnie uciążliwe..... r f r . N (h = 1..i R1 f R ...t . + λ . 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.t = przyszłych wać obciążenie prognoz. Dynamiczny model czynnikowy 2.Krótkookresowe prognozowanie inflacji . model wskaźnika wyprzedzającego). = λ i . t − p −1 + ε t + h x = λ ( L) f + .. + λ iniepewność.. szczególnie wi ... 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. aby 3 Z praktycznego punktu widzenia macierz X powinna również zawierać opóźnione zmienne objaśniające jak w modelu z rozkładem opóźnień (ang.. 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. �X = F Λ' transformacjom. i = 1. + λ ( L) f + u P . + λ i . model autoregresyjny.t + u i .. t = 1.tgdy występuje . inflacji bazowej). a następnie je wystandaryzowano... Sprawia to. co ido 1.. indeksu cen towarów i usług konsumpcyjnych (indeks CPI) oraz indeksu CPI z wyłączeniem cen energii i żywności (tzw....

. . ]X (PT × ˆ p 1 = ytyhR = P α + + αΛy+=+y i.t + ( i . Stock X = {xit}i = 1...... t = λi ... + 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. oraz łączenie informacji pochodzących z różnych źródeł (Marcellino.t + i ˆ A( L) .IR).10L+ f r .. . Ω λ i . t 1983). t ..1 1.t R t+ y κ N = 1 + εt+h x i . 0 + αr =1t + yκX=rt=+β+t}h ysięxna ε f +Λ( N×R ) ε0 + yty = = α + α y + ytκf=fαustala..t = λ i . r . zowania. t. + λ f ..t . N X = {xit}i = 1.1 f 1.. t .1t. PC (4) Ω≡I yt + h = α 0 + α 1 yt + ∑∑ R �P ⋅=f rN..t zakłó. t + ε r .1 ( L macierzą λi ... R = P .t =1t + h Λ( N×RR)rtR t + h 0 1 t r N R jest duże w porównaniuh z T..t1..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).. t +1 = A( L) f r .1 if. które X i R . + λ f + u . N . F Λ'ΛF' + Ω × ( S + 1)((T ×RR)) xi .t autoregresyjnym (AR).1i . może byći = 1... + λi . r r . t + h =i =1 0 + + dla ustalonego t Forni. gdy. ⋅ f. t − =1 r =1 X = ˆ = [λ ] ˆ xi . λ κ( L)⋅ ff + u + ε ˆ . A . u ..t . tt + i. rI f r .. gdy i ... 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... + λ i . 1 λ iI f ... N w próbie. t X ri 1 FΛ t i i .t 1) T × R z modelem � inflacji f jedynie w × PC PC ×+1 modelu.t + predyktorem.t = λ i ...t {{ } = informacji1.t × RT × ] ˆ = 1 NTC' C = I X T T �X XX' R PC 2 PC ) ˆ ˆ2 = Λ=C .. R i h Gdy = λjest ) f + ..i . − 1 ε + + + εt+h h = r . t+ ε r∑∑. t( S + r1+1 ) r + ε . + λ i . G.tt) wspólnych dla wszystkich prei. +L)i .. ..1 ( L) f1.r ˆ ˆ Λ = [λ i.α +y+ i.t + . T i ...xrtit.it. t cierz F(T ×R ) składa się z(TRR nieobserwowalnych czynników ( fR . N t 1 ( ..1t... t h ) PC1 t .t + ..... T + ≡ .. t+ jednostkową u F = [ fr. t = 1.. 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 .. N+ u = . t − p −.. t +1 = A( LRf×. N t t 1 1.(... L eszczyńska..+ λ ... f r. t T Λ = [λ i...t t+ = 0 1 t składników ⋅ 1 r ..1 f 1. T Λ i R r . B a r a n o w s k i .x i .. t + ε r .∑ 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.α y + r .t = λ i .1 f 1. r .t i. N ne przyjęcie dlai y i= itα zmiennej=1 κ f + ε każdej + α y + równej wagi..Λ'idiosynkratycznych..Xna dodaniu pięciuC = I R objaśC' = F = [ fr...tr .. R R .1 ((TL) f1.pozostałych przypadkach – r =1 p =1 �X = 1 NT XX' czynnikowym ε t.r] N ×NR R modelem × CDC' = F PC Λ'ΛF PC ' F × ( i.Ω ≡ = 1..t . t ε r.βUżycie zwykłej średniej oznacza jednak arbitralβ TxR ε tε N (por. (2005) stwierdzają... 2008) N N w literaturze jako model indeksów dyfuzji + β diffusion index model): β + β x + ε y = β (ang. co 1może nie być optymalnym podejściem. T λ .... tΩ + κ F f N X =model czynnikowy (por.. 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=. Syntetycznym .. t + . t +1 = Λ N× U (T × N ) r .. h .+fα 1 it. r f r ... p ⋅ f r F p −1 = .1 i ....26 P. przybliżonym modelem R P f r ft +1 = A( L) f r ft + + frεy. Jednak modyfikacja r .t ]T × R ftegoS +A(]L) polegająca.. t)− p −ΛFε t+ hΩ P κ r U F Λ'1 + ' + R F PC = [ fr. t Ω i .. t += + i A L) 1r.r N × R R P �X xix = λiλ ( L) f1. t = λi . p ⋅ f r . tt − p −∑∑ h r .. iN.t r .t XX = xitx i}1. Rf u .r +r.. odpowiadają× N ) pozostałe nieskorelowaneA(czynnikami..1 ˆ f×..r] N × R ˆˆ ΛΛ' sprawia.+.rt+ λ i . r Fi Tt ) ) Λ( N× ) U (T × N ( N×R ) parametry Rliniowych )kombinacji ftych = A((L×Rf)r ..= I ˆ ˆ = [ˆ Λ ˆ [ ˆ[λ ] AR. strict...t + N i . N Watson.. + λ i .. zakłada się.(T. Rotschild.t ]ˆ × R ˆ na 10 okresów weryfikacji. 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.1 ( L) f1. t. r .. któX nie Indeksy dyfuzji= { } = 1.. czynników. R ( Λ( N×R ) × ) r....r r .. . ) λ N f 1 i 1 x it ... Kapetanios i in. y λ .t PCstrefy C FR w ([ fr. R f R ..t xi . Obydwa te postulaty spełnia model Stocka i Watsona (1998). t + przewagi 4 Można również)wskazać badania..1t u nazywamy R . R ( L) f R .. T Fxx×ttR = 1 i+ .. p dokładnymt +modelem PC ]T × R i . 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.t i . t t ˆ f r . znany 2004..C = I R kowym (ang.. W podejściu tym..t . t = 1..t N1.t + . t + ε r . Idiosynkratyczne składniki losoweα i.. = ˆ ˆ ˆ Λ=C ΛRPC λS[]fN1) ] weryfikacji przewagę nadΛ =λ i..... N x = λ f + .tr .. m.1 . Szafrański X = {xit}i = 1 2004...+t+1PC=ˆA.t czynnii R .Ω h≡Ri .+ U r ...t + u i .. a macierz Λ( N×R ) tworzą stałe w czasie ładunki czynnikowe. + λ i ...in.t i .. = i ... + iλ 1.t = λ i .tr ...1 t = = xi .. p + αft yp −+ + + tε h κ ⋅ f α 0 α 1ryt1 p ∑∑ × Rκ ⋅ f r . t = λi r1=(1L) 1f1.1 ( 1.r] NXXPR [ F = = fr.= 1L) f R ..t ++ i. t = 1. t.fr f r . = A( L f t + Cr'.r =1 p =1 z L) f + ε ( f r . R dynamicznych 'Λ F PCczynnikowych R × ( S + 1 PC PC = F PCtΛ modeli= ' NT XX' F = [ fr.t ΛxN×R= λ i . t = λi R f R . t 1. R r .t y i N = U ×N ) = (3) x ixt = = iλ f 1.. )wr .r N × R f r .t .1 f 1. + x .λ L L+ t + u ... 1.. f t rt R P XX=1===1 ' +.. + λi . znanym z y = β czynnikowej. t + .. t +1 y κr.t = 1 t + i ... f r . N . 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. p Rr.. + iλr = rλ . t t +Λ = [λ ] f h (Chamberlain... iżCDC' z trzema czynnikami ma większą nad pozostałymi modelami. czyli + ui . + .. T T ....... i. N it i X = FΛ' + U X = {xit} N yt + N N < T. CDC' = F Λi'ΛF ' r =1 p =1 C' C = I R RR ( S S +)1) � ×× ( + 1 ˆ Rx ( S = 1)( L) f + ..r N κα. 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 (NTfXX' ui . N 4.t . t Λ ˆ = R L ) R .t x i ..ti .t zawarteji ..t + u i .tλ+ +fiut .t++λ... t − ∑ Λ i .+1exact). i .0 modelt +t i∑∑ ( r .tt − p −1i ...αRotschild 1983).. p ∑∑1+Ir 0r p ΛF' +1rΩ p =t1+ R × ( S + 1) gdzieyΩhoznaczaαmacierzh kowariancji pr−=1t1++ =ε t=h F.. Ω X = FΛ' + U ≡ I dyktorów.ft + + .t yft + h = αR0 f Rα1+ tu+. p ⋅ f 1 t X = FΛ' + Ut + h = 0 U (T U (T za elementami macierzy U ×TN×)N ) ..t C' ∑∑ ( xi . + λ κL) f⋅ f + u + ε PC .t − CC' C = R ∑ ui .zmiennych trzech r. + λ re efektywnie dokonują=syntezy= 1.1 ( L) 1.t ..T R . T f rt i . x + ε y = t +h 0 t i =1 it r =1 lat łączenia różnych metod. R .. + x i . t ui . =u + ii 1.(ang. że taka metoda prognozowania zyskuje w większości okresów niających (wskaźników ˆ wyprzedzających).t ]T × R ≡I ΩΩ ≡ I R P Ω ≡ I f r . model PC ˆ PC PC F PC = [ [ dla]TΛR= euro..t .. i= i . + λ f ..t . R f R .. = = ˆ .1t = ... f ft f+ λ iλ..xit. r fx. =porównaniu ˆ zdolność prognozowaniaF PC = fr. r i..t× R T × R = PC i.y+ hλ =Rα 0R . ++NRP f +. i = 1. ˆ � ˆX 1 r 1 nie potwierdzają(tak silnej ε r . t = 1. = λα(( L)α y ++.1 κ ri f rt1.t F � x= R cenia zmiennych X i..XC 'C = I I C1=i =I R t =1 t p =1 ˆ= 1 PC PC .. a dodanie składnika autoregresyjnego+ h = α 0 + postu. r f r .t + p= . N . r r . Chamberlain.tNa T × R ] przykład Banerjee i in... tloadings) i λi.r+ będące u . 1 p =1= 1.t ]T × R ˆ = [λ R. xitsąi bezpośrednio obserwowalne i do ich estymacji trzeba użyć metod.t = =R = .ft + + x + + iλ=(α ) f)Rf.− p −1 p ≡ Ωp �1 t + = α 0 + 1 yt + ∑∑ κ r . ⋅Ma-− p −1 + ε t + h FΛ' + U Równanie (3) określa statyczny F(F×R ) λ i r..... + λ ( L) f + u λ ... + λ i .t ' + iU R ..

. Ma to duże znaczenieC = I RF PC = [ fr. N i =yt + h = β 0 +∑ β i xit + ε t + h xt = 1 Nyt + hi =xprognozowanie inflacji .. = rPC' 1 + ˆ +X Na głównej przekątnej macierzy=D + α1 yt + ∑∑ 'λPCp ˆfI.(f( .1Rt ( L κt Rp λi . PC r t r r. p r 2tη p +1 0 + ... tt− h +1 + + t =1 t =1 i =1 p= = f pt 1 .t ∑ ˆ [ˆ ˆ= Λ=C ˆ=1ˆ = 1 p symetrycznej nazywaneiˆ. N R= 1. N ti+ 1 h X = {xit}i = 1. którym liczba statycznych × R X ˆˆ R × ( S + 1) ΛΛ' '= I PC PC C przy wyborze ]R×× ( S estymacji wspólnych PC = [ fr..t Ω ≡+R N ) f R .t = Ai(.1p f r .= = + N yt + h = α 0 + α1iyt1. xt λ 1 fN ∑i =1 xit.it +=1ut i+... FΛ + r =1 U t+ y + + α β i yt x i∑= λ i 1 f+. ∑∑ X ΛˆΛ Λ i ˆ .+ α ry=1 + =1i .t r P T PC 5 Wówczas takie czynniki nazywamy dynamicznymi.. T + i.rNTPRXX' 1 NT XXR' ˆ ' Λ ˆ T � = [ ˆ1 ] N ×�X = r. + λ ( L)U (T ×+ )u X t+h 0 1 t N �X = F Λ'ΛF' + Ω(6) r =1 U .. + R t + ε R rt ∑ t+ R t+h 0 1 t t+ h f rt ∑ ur i =1 N . p ⋅ f r . ty p+1 = tα 0 α+PC + + 1α λ r .PC=1frPCi−. t ε αt+...X α r.t r .. t = i . + λi . N . t i.1 −X' −+ + ε t + h 1 r. pp =1fr .)t =yλ+ih1 =1. = λi .t ..r1.1 x1.= β + λfi . r= 1 t+ U .+ rt N+i . że równanie (3) może być×rozszerzone o opóźnienia dla każdego 'z R czynniTx kłada=(sięit}i = 1..r] N +R1) t) f r + = A( L) f + ε r ..tFΛ'.t i x . λ .tyt + hmodel α. + i . R� P = F Λ'ΛF' + Ω P R Ω . nie PC =1 P ∑ u=. t − p −1 + ε t +[h fxi . xt = 1 N ∑i 1 xit Λ( N×R..t − R P 11=1 p =1 P r yt + h = α 0 =Tα 1Ny+ + ∑∑ λ r .. t + ε r . rf..1Tf(1L)+fdo prognozowania.t(+p)∑∑) frR+t ⋅+if. L f p =1 ..)p =1At( + )ufi .ti.t = λ i . yt + h 0 r − p −1 h xt F ΛN F 1 it =1 Λ + 1 t κ r p ⋅ f r .=t1 − ∑ Λ i .t + ui =1i t r1.1yr1=.κ r . 2r . r .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..PC f i .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 ..t 1 pu 1 .. + 1..PC p α 1 t yt + h = α 0 + α1 yt + ∑∑ r .= 11... th + ..t=1= ∑∑ ( xi .L) (modelr6)r .t xt =x i ..można × ( S + 1) czynnikami× (rzędzie f r ..tN rλp R x it .... ). X λ i=R f R . t + λ i .t f .t +i u i . p fR.t U (fTr×. t( Sλi ..t yt + hr == p =1 i+ α 1 yt + ∑∑ κ r .t=p[−λ i. R ( L) f R . Przekształcenie (8) dla macierzy ˆ T N ˆ �X Λ =Xλ i. t L ..t = λ i .==α 0 + αFAVAR (modeli ⋅VAR P −1 + ε t + h += r −1 1 p 1 Ω regresyjny postaci r .1t2 . t .=..ui . T Λ( N×R ) f r .λPC. i λ . t − 11 Λ i . .p 1 T = iN + η 1 p yt + h t=1 α 0 + αt1=yt i =1 ∑∑ 2pr=..λtFΛ'. i ..P ....αt1 =t 1. 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. 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.. i..t ΩX U (T × N ) xΩ = λ≡1 ( L) f1.1 R .PC + yht + h = α 0 + α1 yt + ∑∑ λ r .p t +h yt + h f i .r1=XCf r .. uii. ). t + ..tp 11 r =1 p = PC r =1 p =1 PC F = XC f i .t Xt = FΛ' i+ U. t − p∑∑t + hr . f=..t = ∑∑ ( xtiTt1 − ∑ ΛtT=... p f11R− p +P1 + η t +11 r .t .. RencherΛ' = I s.t = ΛPΛi'=C(Ixi.. analogicznie[ do równania= [ fr.× i . . r ..t( ]Tf RR t + .tT = ∑∑T xiN − ∑ Λ i .t r 2 ..x ∑∑ +. −r .t ˆ �X = F Λ'ΛF' + i .t zmiennej y.r X t =1 i. R ( S + 1) S = ˆ . pyt r fh1 tmodeli t1+yt + ∑∑ κ r . t − ∑ Λ i .. p ⋅ f rPCXp −1 ) .1� =1..1 f 1.. ∑ uΛΛ' ∑∑ i = C .tε ti+th =i . p ⋅ f r ... t = λi ...0R+ czynnikowy.tyt i+ t∑∑ +∑. 2000). PC PC f rΛ'x..t−r p+1u+..t ∑Λi2∑ u∑∑ (dodatnio.. r .rp 1 r . iPC==p =1 r t 11⋅ .t t + =+λ r f = 1 .t ]T λi yt + h F α 0 + α 1 yt + ∑∑ κ r . tRi+= 1 . t + ε .. t + ε .+pR.. t o R PC S + ) PC 1 [ PC S f r . metoda z najpopularniejszychC Λ I R[λ i.F Λ'ΛF' (iTI Ω t i.1tokreślonej.. t r= = ˆ r . Ngxit(2005).t + ui . t − p +Pε p 1 �X =Ω ≡ 'I ∑'i =+xΩ f yt =h A(α ) f α+yε + . λ . t +1 + = L 0 r ..P ⋅ f r ... N = i . �Xr .(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=.Rt +f1R= Ω ( LtΛTrN×F) ε r.∑ir 1 xit + = FΛ' t U. tε =yλih1 (Nαit0t1=t=+ 1i. p r .ˆprincipal R – × składowych F = [ fr. odpowiadającymi jejTnajwiększym wartościom własnym.rt(a ⋅ 1 f r . r . p ⋅ Λ.t ]Tczynników wynosi staci (3).podstawRkonstrukcji.r N × ˆ CDC PC ˆ yt += =pozwala + ∑∑ κ r ... r+ UR f R .. R Rit +1u i .. CDC' f t .t − p −1 ) ∑ i . p�⋅XfrPC− p −ˆ1 )ˆ2 ... tL) f r .N r . t + . R f R . ' + U f (T (5) t Jak widać.. N . +. + λi . NC ˆ T P CDC' = F Λ'ΛF C Λ= ' ˆ Λ=C T 2 ˆ � rzy ˆ� .( L) f1...1 ( L) f1..1. t +h 0 + ( .R t = 1. = P C 1 R P r =1 p =1 PC f . dla P = 1 model ×R ) odpowiada modelowi indeksów =+ . + rλi .. p f rPC p +1R+ η t + h +α t α y P = p 1 T y t− + ∑∑ .1 f 1. p ⋅ f r .. λ .t . Tt . R f R . + λ . t + ..1i f=... +ε xi . 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 = 1... + tλ=r1f r . X F( FΛ λ = xt t λ i .. ii1in. t − =+= + + − + PC f i . +x.r] N × R ˆi �X = 1 NT XX' gonalnej1N × R 1. T L x iI + λ R t× ( zob.. Metoda głównych ˆ 2 ˆ= dekompozycją spektralną (por. t = + X R × (f + 1) A( L) f + ε .rf rN. t r ...−LR 1 RP..t + hF Λ'ΛiF'rt+.t ... r f r . i+ λr . r =1 t = i N = . λ i . t[i 1r.=1= XC ˆip. t Λ( N×R ) ˆ +u 2.tP− p −1 ) .t1 =1tX ∑ κα'f + przy h + κ f +autokorelacji = tβh0 =∑ 0 + α 1+ ε t+h κ f rtf.t + u i .= λii ( ×1. R r(=t1. i ...1r . t 1. i f r = = Ω ≡ yt = λ=. t ∑∑ yt + h = αR0∑ ui1tyPC+=∑ λi ....p T T ˆ 2 wartości N ˆ =C x − są Λ ⋅ różne. t 1 = A( L) = . S + 1+ih 1. T Modelλczynnikowyλw) tejxpostaci ( L)F + + i. t i t t =1 t 1 i =1t =1 i 7=1 Uwaga:=wspólne=1 p = R x 1− P Λ p⋅ .. i = 1. t h tprzestrzeni1 stanów i(Doz..t . T f(1Tt×Rx i ...r X = FΛ + U N× (T R ) XF {×R )dodatkowo.. r i =R1..Ar+ . t2− p + i PC CDC' = = Λ ˆ2 t =) PC F PC F XC XC'ΛF ' ∑ ui . = ) f ... p ⋅ f r .tw +T1) F Λ' + 1 = × ( S ΛF')+ Ω � F PC = fXX'T × R F R × ( S ] × R F PC = [ fr..t −ˆ�ˆ='1 = I.t T R i i.t − p 1 ) . = FΛ' + U × xStX= rλ ' C =fI R tody .. = = xt =N1 N ∑i 1 xit X = FΛ' + U r =1 p =1 f rt U (T × N ) x i .t + ui .. P f r . +κ i .∑∑≡uI. t += =fA( t] 1 f r .t Λ statycznego i . W tym r =1 p =1 ˆ CDCˆ = F PCˆˆ 'ΛF PCΛ X =λ i.tt = λ i ...... t λif. N i =1 t+h = t +h 0 = x i i it t + h .t T × R PC(ang. xi . 1.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 ..r = × R ] PC ˆ C == ˆ ] ˆ Λ = [λ ] components..tα=Rt∑∑ (+it. Stock...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 + . I ˆ �X = F + u .r px⋅.t� Λ..tΛ'ΛiF' + Ω Ω R≡ IP Ω i.r] N × R ˆ Λ F i.t r xi .1t..t X r. t+hλi .t + u =T ×R ) ( PC ˆ ˆ A( L ) . +..t czynniki p =1 są określone jednoznacznie. − )2 t 6 Dla macierzy xi . 1 N .t pokazują.1 (rLt) f1. t = 1..t ] �XRstatycznej.u.t= ( LT) f + .α 0 + α+..t t =1 t = 2 = 1 ∑ ui . f t + ..ui . + λ F' + + u jest ×dynamiczny )model czynnikowy (Forni ) i in.. t+'X przez∑∑ κ r+p ε f r≡ −Ip −1R + ε t + h auto..t + u i .. t p = i .=tF= λ'i . R ( L) f R . ∑ utmacierz1 kowariancji)=1f∑∑P⋅(własne−∑ dodatniefi =ri PC− p −1 )2 . • (L) wynosi co najwyI ków5.. R f R .)2006b). xi . tη⋅−f∑ i . t +1 r .= p −1 )2 t− PC ˆ ˆ PC ˆ .. − (∑ ˆ i . i λ i .t − r =∑=ˆi ..i p tu h . 0κ ∑Rβfi ε. . t − p −1 + ε. R ( Lf)r .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.. iN ..... L) f + .t1+ ... t − t∑ Λˆ. t = λi . R × (≡ I+ 1) .)t f R .λ ∑∑fκwykorzystania f = α 0 + DFM ∑∑ R rozszerzonych o wspólnePczynniki. p η. p f rPC p +1 ty R P yt + h = α 0 + α1 t ∑∑R r ..t .t T × 'N T ˆ ] ˆ = [λ ] ˆ Λ = [λ i.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.. + y + κ + x i .. xi .t + ..tε++ui . p =1 . Rft1. +1. + .rt�1Xtε= że statyczny = αi .t r leży �X = 1 NT XX'=1 =1 p y w r =1 p =1 yt )Bernanke Ωy≡+2005)≡R Ir . +(5) i . 0( L)i .X .fpi. p ⋅ f r .t =ˆi2.... λ = .. t − p +1 + η t + λ p ..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). t − ∑ Λ if∑ ⋅ fi . ) 1 ∑ 1 f it R . =− . p f∑ Λ1.. t = × R.u f R .N+1 = A( L ) f r . a następnieΛΛ' = I ˆp =1 ˆ PC X PC ΛΛ' = IXC Fˆ == XC f i .=t∑∑ ( xpi .1α1.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.. Estymacja ˆ+ ui ˆ ] 1 )xi .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 . u = ∑∑ ( xi .. T λ i .r N × R . p ⋅ kroku+uzyskaćˆczynniki ˆ' PC = [ f PC ] . ( Lr .. R x f r . N .r N × R �X macierz wariancji-kowariancji 2�X = 1 NT XX' na iloczyn diacelu Λ dekomponuje się oszacowaną XX' �X = 1 NT i.rt.t ]T × R Jedna F czynników. X= FΛ = i. rPC Λ ....tr− p −1 ). Sąˆiwynikiem przyjęcia1identyfikujących 1 ) . + λi .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 .1 L ε t + λ F PC = r.f + u i . N F.. L .= R t) RN . ...th ..fR ( L+ε∑∑ κ. + λ f .t1r−1t∑1=1Λ=. pyf∑∑ +rη tαrh. r r . .1 1 κ .. p. t − p −1 ε t + h' = F Λ'Λ F F + 1 ˆ F 0 PC) h– [ fr....1 (rL+1f1..R∑∑+ 1)p. R ( L. t +1 = A( L) f r . T yt + h Boivin.tjest= I t =1 ( xi .Λ = C f i .t .t + ui . N . + λ≡RI( L) f R . ⋅ Λ − ˆ ) . + λmodelu (Λ'Rf)ir.t N .it(..rt = + 1t). NR . + λ. λ r t ) α yt . = T ˆ u' I P T T N ˆ(i .. 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.t Λ'kowariancji predyktorów �X= a kolumnyC CDCˆ Dˆˆ PC ˆ 'ΛF �X własnymi maciePC Λ ..1 ( Lp)−f1+ +t .t [ ˆ ( S × r .. + + x .t .t ]T × R P ' metod F PC N=RXC PC ˆ ˆ N [ R F = [ f PC ]T Ri.t . λi .. p f rPC p +1f+PC t + h + η yt + h = α 11 α1 ryt1 + =∑∑ λ r .własność ma i . t + ε r . + λ i wybranej .× × Λ r . iy=h1= rα10N .tN= ii .t1 = .1.. t = Λ( N×R ) x = λ f x i=.t − p −F1P=i1..x fi =t 1 . ..t + R i .' ZaF Λ . 1 .1 można u ..=t PCi =∑1λi.t ...t = ∑∑ ( xi − . r. t + ε =Rλ i.. R ( L) frR 1t p+1ui . .∑ κ r f rt + ε tr+=1 N F(T ×R ) r =1 X = {xit} h N X = {xit}i = 1.. N N N i = 1...t .t − p −1 r +Pα F = ∑∑ tPC − r . 2 f PC t =1P 2 PC T T i 1 ˆ =1 =.Np f r . t + h α0 .rmetoda głównych PCfr.... �X = FΛ''ΛF' + Ω x i .DFM z R Λ = C = 1 NT XX' 1PC Fopóźnień. 35).. ⋅ ∑ uti2+t h= ∑∑ ( xi.. ˆ � ˆ R przedstawić w poDynamiczny model. R ( L) R . t −1p..r r X= F(T ×Ri .t ..t + . . Λ 2002.t = λ i . t =1 1 PC ˆ u . R ( L ) f R .1 ( L) fr1=t1 +F +rλ+... r rf.t R P PC t ˆˆ P ΛΛ' = I ). .1 if.t ) = R .. t−1++.t . wykorzystać U (T × N f i. 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= 1.1 ( 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 h t = i .t A F )R x i .fR =LA(×L...t + u=. R f⋅R .t ich×wagi Λ = [λ ] α PC ]α× yt w jednym f r ... .t = ∑∑ ( x .t + .ft R1.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.t = λ i . Watson 2002b):+ h = αR0 UPα 1 yt + ∑∑ κ r .f +1 + ε .+ + iu i .r N × R Λ λ ˆ i .... t − p − α t I Ω i p = α 0 + x i1 in. .. + Fr r . FΛ + U = = . t=11=NTLXXt' + ε r . �. i . = t + .r] N × R ∑ ui .. rf f r Ω + λ f R r y + =t .PC λ +yttf=11hyt + ∑∑i1=yrt . T r f rt + ε t + h f + α + α .t .. = F ∑ + 2r t =1 iT=1 2 ∑1 N (9)PC 2 PC . + λ i+ f r . t×+R = A( LRf×.− PC λ ri yt + h = α 0 t+hα1 yt 0+ ∑∑ λ r∑∑ p +r1..×tR + . 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 .t metody + 1) S ˆ= ˆ T R Ω PC ˆ = [λPC ] Λ PC [λ i.pf==t − pi −1( + ) f1. + .)= rF +t ε +1tΛ ) t .. t + .rPC−pptakąPC− p −ft1=i). 1 p 0 t= ..tdyfuzjiλ i)X f=... t − p −1 + ε tt++hh modeluα 1 yt + me.. p ⋅ f r . X = FΛ + U Λ( N×R Uogólnieniem � X = .2. tr .t + i .. r .r] N × R i . = α ++ α 1 yt+) f R . t= [λ i..t .. + λ iyrtyfhr+t ..t .. t f rt Λ = [λ i. + λi . N .. ⋅ N rt 1 t . .−pηzałożeń (tutaj f i ..i⋅ 1ffrRti..1 fT=(2). t − p +1 rRf1ηP=+1h PC t t r =1 p =1 0 +h 1 t ∑∑1 λr . i = 1.t T× R PC PC ˆ = 1 NT r... + λ i ..1λ 1. + λi .

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

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

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

t + h j 31 ˆ0 ˆ ˆ ˆt yrr+ h = αrr + α1 yt + ∑R=1 γ j sPj. RW Lead... 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. ˆ f ˆ– 11 yˆi . MSEWZORC j =1 su weryfikacji w dwóch układach: oddzielnie dla bieżącego monitoringu (h = 1) i dla prognoz na i = :AR MSE DFM . fi t Hi . t + h f rr rr ˆ ˆ ˆ ˆ yt 0. DFM ˆ αrok 1do rroku. 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. średnia i = AR. RW. γ ≠ MSE flacjiˆ 0 . Wyniki DFMLead.t0 : MSE estymacji wynosi. Wyboru dokonano spośród wielu rozważanych zmiennych (ankietowe wskaźniki koniunktury. ( 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. λ r. 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. hp fˆ. Lead.). Lead≤ średnia 1. Zastosowano dwie metody annualizacji w zależności od horyzontu prognozy12: ˆ . 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. : ∀ MSE przedstawiamy także wyniki dla krótszego. = tα 0 + α1wkt + ∑ j =1 γ j s j. MSE i= MSEWZORC 4. yt = y rr ( y /y ) t ˆy+1 = yt trr.=p1. 13 Dla ilustracji: pierwszy czynnik odpowiada za nieco ponad 11% zmienności predyktorów w całym badanym okresie. a pierwszych pięć czynników za około 35% tej zmienności. MSEi h > H 0W∀ . p .α11wktt + ∑ 11 1 γ j s j. Porównanie modeli oparte było na podstawie wskazań średnia na syntetycznych miarach błędów prognoz poza próbę RMSE.:αMSEp . P – odpowiednio: j liczba i ˆ ˆ ˆ ˆ.+t 1 deterministyczne zmienne sezonowe (przyjmujące wartość 1 w miesiącu j i 0 w pozostat ˆ + ˆ ytrr yt +1 /yt −11 ) ˆ ytrr. DFM MSE i 1 iH 1 AR. MSE= y (DFM /y ) WZORC Hrr DFM ˆ WZORC ˆ yt +01 MSE= yttrr. t + h ∑ ˆ ˆ ˆ ˆ = α + α wkt 11 = ˆ yt + h = α 0 + α 1y + + ∑ jjγ1 γ j s j. Lead.MSE ≠ > średnia = ∃MSE . t + hrząd opóźnień wspólnych czynników wykorzystanych w modelu R. γj ≠ MSEWZORC ˆ ˆ . ˆ ˆ tt .prognostycznym. 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. ˆ t +1 /yt −11 Wszystkie yt fˆ H. rolling sample).yˆj+ i Πhj =1 yt − j +1 γ ˆ y h ˆ rr y rr h ˆ ytrr.PC p + 1 + ∑ 11 1 γ j s j... RW MSEWZORC H=1 : MSE . ˆ ˆˆ ˆ λ γ yt + h α wybrany ankietowy j s j. Długość okna DFM = MSEWZORC w zależności od horyzontu prognozy. Πri. tKrótkookresowe prognozowanie inflacji .. +.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. α ˆy λ r.1 =trr ih=1 y t + i Πhj =1 yt − j +1 rr ˆ Π + gnostycznych. α1. 11 Wybór wskaźnika wyprzedzającego wynika ze wstępnych analiz błędów prognoz RMSE w przyjętym 24-miesięcznym okresie weryfikacji. yˆ – 11 ˆ ˆ ˆyt+ y rr rr ˆ ytrr h. . Lead.αˆ r. γj α 0 – ˆλ p α wkt.1 pkt proc. DFMj α H 1 : ˆMSE p ˆ WZORC MSE DFM . α1t. indeks cen produkcji sprzedanej przemysłu). yti+t h = α 0 + α1 yt + ∑ j==1 γ j s j. MAE i ME.th = α 0 + α1 yt + ∑ 11 1 γ j s j. ˆ rr ytt+ ˆt h y yt yˆt+ . RW.. p r. t + h ˆ yt + h ˆ 0 ˆ 1 t t ∑ 11=1 γ j = j. MSEWZORC rr : MSEMSE= MSE rr. od 92 do 103 miesięcy. MSE i MSE DFM . ˆ=.h yt 1 ∑12 ytrr j + 1 j =1 12 ˆ rr ˆ= ytrr. Spośród tych modeli prezentujemy tylko model z liczbą wspólnych czynników określaną i = AR. RW. 2006a). ytrr. MSE ii MSE DFM MSE ków13. t + h ˆ = ˆˆ γ ˆ αt 0 .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. t + h y gdzie:t+.. zmienne z rynku finansowego. 12-miesięcznego okresu weryfikaH 0 aneksach ≤ MSEi DFM H 1 ∃ MSE DFM do listopada 2009 r. 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. ˆˆjwk + 11 γ wskaźnik koniunktury (ogólna sytuacja ekonomiczna w handlu)11. średnia DFM ≠ WZORC i = AR. 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. t − p + 1 ∑ j = 1 ˆ j j.1 yłych (okresach). przy zachowaniu prostoty obliczeń.t. t + h ˆ yt + h ˆ ˆ 0 ˆ1 t ∑ ˆ j s j. średnia Wyniki DFM . =t wspólne czynniki wyznaczone metodą głównych składowych.t yt ˆ ˆ ˆ ˆt yftˆi+.). RW. 2006b) i metody quasi-największej wiarygodności (Doz i in. kryterium informacyjnego Schwarza (BIC).α00r.MSE iWZORC MSE DFM MSE MSE porównań modeli DFM i modeli wzorcowych prezentujemy dla 24-miesięcznego okreMSE DFM .1α1. +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. Zastosowane metody gwarantują.MSE iH :0:AR. MSEWZORC t − j + i H 1 : ∃ MSE DFM > MSEi MSE DFM . α1. yt ˆt h ˆ t +1 t −11 ˆ ˆ ˆ= λ ˆ t – oszacowania (MNK) parametrów strukturalnych poszczególnych modeli proα t0+. λ .+ . t + h rr ˆ .λ+. t + h − j 12 + α y + ˆ ˆ ˆ yt + h = α 0 ˆ1 t ∑11=1 γ j s j. yy– yrrh = trr trr indeks cen rok do roku (CPI lub inflacja bazowa) oraz jego prognoza. MSE i= ≤ MSE H : MSE DFM H 0 0 ::∀ MSE DFM MSEWZORC i H MSE DFM MSE DFM . 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 .

060 0.018 0.007 0.117 0. że: – spośród porównywanych modeli wzorcowych najniższe błędy uzyskuje się za pomocą modelu autoregresyjnego. _Kal.213 0.068 0.937 0.150 0.125 0.154 0.216 0. – wybór metody estymacji nie ma istotnego wpływu na własności prognostyczne modelu DFM. _Doz oznaczają metodę wyznaczania wspólnych czynników – odpowiednio głównych składowych. 1 cz.276 0. Wyniki zaprezentowane w tabeli 1 wskazują.177 0. – prognoza za pomocą modeli DFM jest porównywalna (w sensie RMSE) z najlepszą metodą wzorcową.135 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 0.251 0.181 0. Wszystkie modele dla rzędu opóźnień P = 1. Wyniki dla inflacji bazowej (tabela 2) wskazują. Szafrański Tabela 1 Błędy prognoz h = 1 (bieżący monitoring) – inflacja CPI (pkt proc. Tabela 1 Błędy prognoz h = 1 – inflacja bazowa z wyłączeniem cen energii i żywności (pkt proc.033 0.131 0.161 0.32 P.177 0.181 0.179 ME 0.019 0.002 .294 0. Ranking (RMSE) 3 6 5 7 4 3 2 1 RMSE 0.604 0.246 0. filtr Kalmana oraz metodę quasi-największej wiarygodności.036 -0.776 0.121 0. stosując model autoregresyjny (AR).009 0. G.487 0.093 0. A .071 0.186 0. 1 cz.145 MAE 0. W tabeli 2 przedstawiamy analogiczne rezultaty dla inflacji bazowej z wyłączeniem cen energii i żywności.473 -0.250 0. 1 cz.) Model AR RW Lead Zwykła średnia DFM_PC DFM_PC DFM_Kal DFM_Doz Liczba czynników 5 cz.117 ME 0.250 0. B a r a n o w s k i .264 -0.253 0.033 0.152 0.149 0.018 0. że: – spośród metod wzorcowych najniższe miary błędów uzyskuje się. L eszczyńska.009 Uwaga: sufiksy _PC.245 MAE 0.

420 0.995 0.559 1.992 0.695 1.395 -0.378 RW 0.192 0.. 6.935 0.399 0. • Zastosowanie modeli DFM pozwala ograniczyć błędy prognoz RMSE dla h ≥ 6 horyzontów naprzód (od 5% dla h = 10 do 30% dla h = 12).162 0.597 0.315 DFM_PC (1 czynnik.430 0. .343 1.647 1.566 0. 3.992 0.390 1.717 0.466 0.802 0.033 0.506 0.890 0. 6.357 0.054 0.127 1.486 0.406 -0.003 0.378 1.) Prognozy Horyzont prognoz RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME zwykła AR 0. Aneks B).896 0. Dla inflacji CPI po skróceniu okresu weryfikacji do 12 miesięcy otrzymano podobny ranking.339 h=2 h=3 h=6 h=9 h = 12 14 Wcześniej podobne rezultaty otrzymali Breitung.078 0. prezentowane są wyłącznie modele DFM szacowane metodą głównych składowych14.227 1.452 0.Krótkookresowe prognozowanie inflacji .033 1.044 1.911 średnia 1.041 0. 3.629 1. W tabelach 3 i 4 prezentujemy szczegółowe wyniki ograniczone – ze względu na przejrzystość pracy – do wybranych horyzontów prognoz.962 0. modelem AR i LEAD) dla horyzontów h < 6.220 0. 9.591 Lead 0.399 1.892 0.340 -0.733 -0. 33 – prognozy za pomocą modeli DFM są lepsze o około 5% (pod względem RMSE) od najlepszych modeli wzorcowych.066 0.604 0. Tabela 3 Błędy prognoz h = 2.110 0. 9.364 0. 1 opóźnienie) 0. – wybór metody estymacji nie ma znacznego wpływu na własności prognostyczne modelu DFM.559 0.847 0.490 -0.948 0.548 0.992 1.301 1.105 0.. 12 – inflacja CPI (pkt proc.989 0.938 1.202 0.894 0.337 -0.056 0.587 1. w porównaniu z analizowanymi modelami wzorcowymi.450 0.067 0.729 1.572 1. Wyniki zaprezentowane na wykresie 1 i w tabeli 3 wskazują.937 1.195 0. Ponieważ w eksperymentach dla h = 1 wybór metody liczenia wspólnych czynników nie wpływał istotnie na wielkość błędów prognoz. że: • DFM jest porównywalna (pod względem RMSE) z najlepszymi modelami wzorcowymi (tj. Eickmeier (2006).203 1. a dla inflacji bazowej przewaga modeli czynnikowych zmniejszyła się na korzyść modelu wskaźników wyprzedzających (zob.161 0.202 0.322 1. Ponadto dla najlepszych prognoz DFM i prognoz wzorcowych błędy RMSE dla wszystkich horyzontów do h = 12 przedstawiono na wykresach. 12 miesięcy.534 1.479 0.676 1. 1 opóźnienie) 0.819 0.841 0.695 DFM_PC (3 czynniki.141 0.280 1. tj.832 1.951 1. h = 2.038 0.417 1.

450 0.349 0.415 DFM_PC (3 czynniki. 1 opóźnienie) 0.120 1.515 0.194 .6 0.219 0.513 0.110 0.179 0.173 0.958 0.630 0.621 0.403 0.546 0.1)* * Liczba czynników i ich opóźnień w modelu DFM przedstawiana jest w nawiasie.153 0. Tabela 4 Błędy prognoz h = 2.089 0.362 -0.677 0.184 0.202 0.8 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. L eszczyńska.6 1.447 1.883 0.583 0.4 0.504 0.0 0.120 1.113 0.920 0.291 0.508 0. 12 – inflacja bazowa (pkt proc.026 0.654 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 0.492 0.048 0.2 1.379 0.228 0.869 0.153 0.192 0.393 0.427 0.164 -0.858 0. B a r a n o w s k i .548 0.004 0.955 0.2 0.452 0.299 0.275 0.403 1.263 -0.352 0.128 -0.635 1.236 0.851 0.225 0.764 0.357 1.273 0.023 0.425 -0.164 -0. G. A .352 0.320 -0.8 1.189 0.234 0.626 0. 3.621 0. 6.459 -0.680 0.189 1.4 1.0 1.858 1.079 0.341 0.456 0. 9.) Prognozy Horyzont prognoz AR RW Lead Zwykła średnia DFM_PC (1 czynnik.313 0.279 1.030 0.244 -0.880 0.753 0.152 0.357 0.293 0. Szafrański Wykres 1 Błędy RMSE dla wybranych metod prognozowania inflacji CPI 2.392 0.34 P.402 0.607 0.427 0.

3 modele DFM są nieznacznie gorsze od najlepszych metod wzorcowych (tj.6 1..2 1. (2) zmiennych najsłabiej skorelowanych (bieżąco i z opóźnieniem) ze zmienną prognozowaną i (3) poszczególnych grup zmiennych uporządkowanych tematycznie.8 1.1)* * Liczba czynników i ich opóźnień w modelu DFM przedstawiana jest w nawiasie. że: • Dla h = 2. modeli AR i LEAD). a dla dłuższych – model wskaźników wyprzedzających.4 1. Przewaga dokładności prognoz otrzymanych za pomocą modelu DFM nad prognozami z modeli porównawczych znajduje także potwierdzenie w innych badaniach tego typu.). Dodatkowo podjęto dalsze próby zmniejszenia błędu prognoz przez wyłączanie z bazy danych modelu DFM: (1) zmiennych o najniższych ładunkach.0 0.0 1.Krótkookresowe prognozowanie inflacji . 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. W krótszym okresie weryfikacji (od grudnia 2008 do listopada 2009 r. . 35 Wykres 2 Błędy RMSE dla wybranych metod prognozowania inflacji bazowej 2. tabela 5 w Aneksie C. Wyniki dla inflacji bazowej (tabela 4 i wykres 2) wskazują. tabela 4 w Aneksie C).4 0.2 0. a modele DFM zdobywały przewagę jedynie w dłuższych horyzontach (por. W tabeli 4 prezentujemy rezultaty dla inflacji bazowej z wyłączeniem cen energii i żywności. stosunkowo dobre wyniki prognoz uzyskiwano za pomocą zwykłej średniej.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. • Spośród pozostałych metod prognozowania dla h = 2 najniższe błędy zapewnia model autoregresyjny. Zabiegi te nie wpływały istotnie na uzyskiwane błędy prognoz.8 0. • Dla h > 3 modele DFM są co najmniej porównywalne z najlepszymi prognozami wzorcowymi.. 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. Przykładem takiego badania jest artykuł Kotłowskiego (2008). w którym wystąpiła gwałtowna zmiana tendencji inflacyjnych.6 0.

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

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

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

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. 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. różnie Tak.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. addytywnie Tak. multiplikatywnie Nie Nie Tak. multiplikatywnie Tak.5 miesiąca 2 miesiące 3 miesiące 2 miesiące 2 miesiące 2 miesiące 2 miesiące 2 miesiące 1 miesiąc +0. addytywnie Tak.5 miesiąca +0... multiplikatywnie Tak.5 miesiąca +0. addytywnie Tak. 39 Aneks A. multiplikatywnie Tak.Krótkookresowe prognozowanie inflacji . .5 miesiąca +0. addytywnie Różnie Nie Nie Nie Tak.

40 P.015 . Błędy prognoz dla 12-miesięcznego okresu weryfikacji Tabela 2 Błędy prognoz h = 1 (nowcasting) – inflacja CPI (pkt proc. Szafrański Aneks B.468 0.102 0.035 -0. L eszczyńska.033 0.212 0.234 0.289 MAE 0. B a r a n o w s k i .024 -0.229 0.000 Tabela 3 Błędy prognoz h = 1 – inflacja bazowa z wyłączeniem cen żywności i energii (pkt proc.297 0.145 0.604 0.031 -0.186 0.182 0.235 0.315 0.165 0. G.045 -0.005 0.232 0.180 MAE 0.127 0.143 0.221 0.014 -0.292 0.007 -0.122 ME 0.259 0.212 0.159 -0.317 0. A .235 ME 0.149 0. 2 opóźnienia 1 1 1 Ranking (RMSE) 3 5 1 7 6 5 4 2 RMSE 0.468 0.138 0.033 0.146 0.209 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 0.316 0.278 0.041 -0.221 0.290 0.012 0.) Model AR RW Lead Zwykła średnia DFM_PC DFM_PC DFM_Kal DFM_Doz Postać DFM (liczba czynników) – – – – 1 czynnik.

Błędy prognoz dla 12-miesięcznego okresu weryfikacji Tabela 4 Błędy prognoz h = 2.816 -0.239 0.620 0.573 -0.524 0.816 0.) Prognozy Horyzont prognoz RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME AR 0.922 0.108 0.284 0.794 -0.196 1.564 0.294 0.057 0.527 0.140 0. 3. 12 – inflacja bazowa (pkt proc.543 0.437 -0..490 0.139 -0.216 0.783 0.766 -0.675 -0.086 DFM_PC (3 czynniki.389 -0.624 1. 6. 8.943 0.334 0.450 h=2 h=3 h=6 h=9 h = 12 Tabela 5 Błędy prognoz h = 2.181 -0.497 RW 0.359 0.785 0.393 0.424 -0.653 0.280 0.845 0.293 0.014 0. 1 opóźnienie) 0.171 0.000 DFM_PC (1 czynnik.847 0.743 -0.501 0.286 -0.057 0.124 0.017 0.679 0.709 0.723 -0.904 0.847 1.280 0.260 0.571 -0.163 DFM_PC (1 czynnik.164 0.263 -0.478 Lead 0.) – okres weryfikacji 12 miesięcy Prognozy Horyzont prognoz RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME AR 0.154 0.803 0.211 0.974 DFM_PC (3 czynniki.533 0.425 -0. 1 opóźnienie) 0.146 0.300 0.783 0.837 -0.842 0.678 0.837 h=2 h=3 h=6 h=9 h = 12 .797 -0.154 1.209 0.974 -0.649 0.546 0. 41 Aneks C.683 0.236 0.525 Zwykła średnia 0.948 0.655 -0.514 -0..539 0.777 0. 12 – inflacja CPI (pkt proc.213 0.291 0. 6.078 -1.066 0.272 0.864 0.250 0.536 -0.217 0.533 -0.077 0.324 -0.829 Lead 0.216 0.882 0.885 0.420 0.797 -0. 9.715 0.726 0.493 0.201 0.256 0.309 0.521 0.052 0.212 0.435 0.400 0.612 0.279 0. 1 opóźnienie) 0.011 0.369 -0.108 0.582 0.141 0.479 -0.643 0.439 -0.898 0.488 -0.516 RW 0.078 1.671 0.393 0.607 0.797 0.304 -0.163 1.608 0.296 -0.582 -0.643 0.365 0.Krótkookresowe prognozowanie inflacji .763 0.390 0.565 0.553 0.900 0.228 -0.703 0.298 0.092 0.881 0.505 -0.656 -0.673 0.134 0.829 -0.575 0.107 -0.532 0.544 0.643 0. 4.539 0.641 0.918 0.712 0.329 0.564 0.358 0.861 0.181 -0.459 -0.573 0.897 0.513 0.553 0.349 0. 1 opóźnienie) 0.245 Zwykła średnia 0.613 0.

4 h=5 84. H DFM ∃ MSE i . odpowiednio: najlepszego modelu DFM i modeMSE DFM .3 h = 10 97. W teście rr Harveyaˆi in.7 66. MSEWZORC H 0 : wzorcowego. y ˆ 11 + .6 31.ˆ y .2 h=6 86. . α1rr λ r.yˆˆ1.9 49.ˆHLN) testowano hipotezę zerową o równej trafności najlepszego (dla ˆ ˆ ˆ = ˆ h αˆ . yt ˆ 0 ˆ . … . t + h ˆt=hα +0α wk +P.0 61.. średnia> MSE MSELead≤ średnia 0 :AR.ri. ˆ .rr. że: – dla wszystkich horyzontów h = 1. (1997) oraz testu Superior Predictive Ability dla prognoz indeksu CPI (w %) h=1 97. MSE i MSE . 1 t ˆ 0+1α1 Πri. γ Załącznik.y y ˆ= = ˆ + t ˆ y ˆ+ ˆ t + ˆ α y + j =1 ˆ γ + j yt t+. MSE:Lead.4 65. t + h j 11 Tabela 6 Wyniki testów Harveya i in.y j ytrr.h tytthα 0 α 0α1 yˆ1+ t∑∑γ=j1sˆj. yyt. L eszczyńska.6 66.7 h=9 86. RW.ˆhoryzontu)γj+h j 1 j +1 danegoαˆ=.7 h=3 23.5 66. A . DFM MSEi i H=H=: AR.Π ij =1 yt=− j +t1−DFM oraz najlepszego (dla danego horyzontu) modelu wzorcowego18. – dla wszystkich horyzontów h = 1. Szafrański ∑γa nj. MSEWZORC charakteryzuje się większą trafnością od najlepszego (dla danego horyMSE DFM .jt + hj. G.7 h=7 78.. (1997.3 48. Lead.γ+ . MSE zontu) modelu DFM. γ ˆ yt0+1 ˆˆ hΠˆ =1 y0t Π r. MSE i gdzie: MSE DFM . MSEWZORC to błędy średniokwadratowe. 18 Dziękujęmy Pawłowi Skrzypczyńskiemu za udostępnienie oprogramowania do testu HLN.0 h = 12 53. jts h. rr yt + 1 = yt ( ytt+ 1 /yt −11 ) f i=t yt ( yt +1 /yt −11 ) ˆft ˆ yˆi+t1 . MSE i li wzorcowych ( i = AR. 12 żadna z prognoz wzorcowych nie jest istotnie lepsza (w sensie trafności) od modelu DFM.3 HLN (p-value) SPA (p-value) HLN (p-value) SPA (p-value) Uwaga: p-value oznacza empiryczny poziom istotności testu. RW. RW.ˆpytγj yt ˆ α ˆ αrr. odpowiednio: najlepszego modelu DFM gdzie: MSE DFM . MSE H 0 : ∀ MSE DFM ≤ MSEi ≤ MSE 0 i ∀ ∀ RW.0 46.5 59. 12 dokładność prognoz DFM i najlepszej prognozy wzorcowej jest porównywalna.5 51. RW. yt f i .t ˆ yt .t t ˆ ˆ yt . λ r . MSE i – błędy średniokwadratowe. = . że żaden H 1 : ∃ MSE DFM > MSE DFM .5 h = 11 77. 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 . średnia ). B a r =1sˆ o wts k i .=λ. i z modeli wzorcowych nie MSEWZORC MSE DFM . Lead. pD. tj. różnica między błędami prognoz MSE z modelu czynnikowego i modeli wzorcowych jest statystycznie nieistotna. średnia rr rr ˆ α ˆ ˆ yt + h = α 0 +11ˆ1 yt + ∑ j =1 γ j s j. 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. tytrr yt ˆ ˆˆrr rr rr fˆi . t + h ˆ 11 y. + h + ˆ 1 t ˆ 1 t ∑ j =1 ˆ j ˆ 42 yt + h j ˆ 0 ˆ f i .hλ p . α1. ˆ ˆ ˆtˆ = ˆ 0 + ˆ γ ytrry tytrr= tα +yα hwkα+ 11 α 1wkt s+ ∑ j =1 γ j s j.7 h=2 81.8 h=8 77. … . 2005) testowano hipotezę. 1 DFM i H 1H∃: ∃ MSE DFM MSEi i : 1 MSE DFM > > MSE MSE DFM . ˆ rr ˆ αrr .α1. Hansen. Lead. . Zestaw testowanych hipotez ma następującą postać: MSE DFMDFM iWZORC . średnia i =i ARAR.j Testowanie hipotez o trafności prognoz CPI ˆ yt0 . Rezultaty zaprezentowane w tabeli 6 wskazują.5 59.9 h=4 24.

2009 r. random walk. forecasting. leading indicator.. In the paper we test short-term forecasting ability of diffusion index model for two Polish inflation indices (overall CPI and core inflation). dynamic factor models . especially for longer horizons (up to a year ahead). To this end.. 43 Podziękowania Autorzy pragną podziękować wszystkim uczestnikom seminarium Instytutu Ekonomicznego NBP z 23.09. Keywords: inflation. simple mean) suggest that out-of-sample prediction errors can be reduced when using factor models. Short-term inflation forecasting using factor models Abstract Dynamic Factor Models are useful forecasting tools in data-rich macroeconomic environment. Similar conclusions for other inflation series have been drawn in other studies. 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. za cenne uwagi i komentarze do wstępnej wersji opracowania. The forecasting results compared to popular benchmark models (AR.Krótkookresowe prognozowanie inflacji .

Sign up to vote on this title
UsefulNot useful