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).

na podstawie którego wyznaczamy prognozy zmiennej na h okresów naprzód N X = {xit}i = 1.. 2008).... r f r . = λ i . model autoregresyjny. Nawet jeśli liczba zmiennych jest mniejsza niż rliczba obserwacji (N > T)... Prognozy uzyskane za pomocą modelu DFM zostaną porównane z prognozami wzorcowymi. a w czwartym – otrzymane wyniki. N . R f R .i 12-miesięcznego okresu weryfikacji prognoz poza próbę. stanowiącymi dla nich punkt odniesienia (zwykła średnia..t .1 f . 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. T. to ze względu na N wariancję estymatora 1 N oczekiwany błąd prognozy ex ante nie dąży asymptotycznie do zera. + λ ( L) f + u P . zwanej bieżącym monitoringiem (ang.Krótkookresowe prognozowanie inflacji .t kolei λ i . 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... i = 1... Dynamiczny model czynnikowy 2.1 f 1 + .t = przyszłych wać obciążenie prognoz. 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.. 1Z + . w tym modeli stricte opartych na teorii ekonomicznej (Berger. Na podstawie dużego zbioru (N = 182) miesięcznych szeregów czasowych obejmujących obserwacje od 1999 do 2009 r.1.. Podobne wnioski wynikają również z porównań różnorodnych modeli wykorzystywanych w Banku Anglii do prognozowania inflacji (Kapetanios i in. T rów (wyselekcjonowanych na przykład na podstawie kryteriów informacyjnych) może spowodoX = FΛ' + U x t = λ i .... t = 1.. 25 czasowych. N (h = 1...... a następnie je wystandaryzowano.. Stavrev 2008)..t .t + u i .. t najlepszych predykto= it x i .. DL).. szczególnie wi . Celem niniejszego badania jest sprawdzenie jakości krótkookresowych prognoz za pomocą modeli DFM dla dwóch wskaźników inflacji w Polsce.t duża . że ograniczenia dotyczące liczby stopni swobody �X = F Λ'ΛF' + Ω Ω≡I są szczególnie uciążliwe.. Stock i Watsont (2006). + λ .. W trzecim rozdziale przedstawiono założenia badania empirycznego. + λ iniepewność. metoda naiwna. + λ i . p ⋅ f r . t − p −1 + ε t + h x = λ ( L) f + . �X = F Λ' transformacjom... X = FΛ' + U Badania empiryczne porównujące wiele różnych metod prognozowania pokazują... co ido 1.t informacji do kilku = 1. Sprawia to. przy wykorzystaniu 24.i R1 f R . indeksu cen towarów i usług konsumpcyjnych (indeks CPI) oraz indeksu CPI z wyłączeniem cen energii i żywności (tzw. T F(T ×R ) determinant prognozowanego procesu. tj... N zbiór zmiennych objaśniających (predyktorów)2 obserwowanych w okresach t = 1.. przegląd metod estymacji oraz możliwość zastosowania tej klasy modeli do prognozowania. aby 3 Z praktycznego punktu widzenia macierz X powinna również zawierać opóźnione zmienne objaśniające jak w modelu z rozkładem opóźnień (ang..sytuacji.. 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. Prognozowanie na podstawie dużego zbioru zmiennych Oznaczmy przez X = {xit}i = 1. distributed lags. p ⋅ f r ..tgdy występuje . model wskaźnika wyprzedzającego).. N . 2. t − p −1 + ε t + h R P r =1 p =1 R yt + h = α 0 + α 1 yt + ∑∑ κ r .. +ograniczenie izbioru+ u i . z wyróżnieniem prognozy publikowanej w bieżącym miesiącu. Struktura pracy jest następująca. r t f r . W drugim rozdziale artykułu opisano konstrukcję dynamicznych modeli czynnikowych. inflacji bazowej). Ωκ yt + h = α 0 + α 1 yt + ∑∑≡ rI... że predyktory poddano takimΛF' + Ω U (T × N ) uzyskać szeregi stacjonarne... nowcasting). (T = 127) sporządzono prognozy miesięcznej inflacji w ujęciu rocznym w horyzoncie prognoz do 12 miesięcy naprzód.

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

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

Na pierwszym etapie dokonujemy statycznej estymacji wspólnych PC czynników f i . estymator wspólnych czynników wg metody PC jest zgodny. co jest utrudnione. direct PC forecasting). (2006a.r . 2006b). minimalizując iteracyjnie sumę kwadratów reszt: = PC ∑ N x i .. F PC = XC 3.. EM) (por.t = ( xi .1 ( L) f1.tf r=t ∑∑ (.ft R−t ∑u i . L eszczyńska. 2006b). ˆ ui2. która pozwala uzyskać jak najlepszy stosunek sygnału do szumu (Forni i in.t + ui .t − C' C = I R ∑ ∑∑ ∑ ∑∑ r =1 p =1 11 . + λuri2. t + ε r . ... G. Stock. Boivin. Kapetanios.. (2006a. p f rPC p +1 + η t + h .t = λ i . choć prezentujemy również wyniki uzyskane metodami najPC F PC = [ fr.. p ⋅i f=PC . Stock. Watson (2002a) i Bai. zmiennejPspoza zbioru X) za pomocą następującego modelu prognostyczR nego (tzw. Dlatego w opracowaniu odnosimy się przede wszystkim do wyników uzyskanych metodą głównych składowych (PC). Prognozowanie ˆ � = 1 NT XX' Prognozowanie na podstawie modelu DFM można przeprowadzić na wiele sposobów (zob.. Ng (2002). 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 . Iteracyjnie. prognozując wspólne czynniki na podstawie równania (7). p f rPC p +1 + η t + h . a na drugim etapie opracowujemy prognozę inflacji (tj..t . + λi . R ( L) f R . Z drugiej strony =1 p =1 U (T × N ) jest to metoda statyczna i nie uwzględnia faktu. + λ i 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 . Ponadto ma ona dobrze P ne mają rozkładN×R ) poznane własności asymptotyczne przy dosyć yt + h = α 0 + α1 yt + λ r . p ⋅ f r . Watson 2002b) i dopiero na ich podˆˆ ΛΛ' = I stawie konstruując wspólne czynniki. ˆ 2. Doz i in. T 1 N r . t + . jeżeli predyktory są słabostacjonarne – por.t − p −1 )2 . W przeglądowych pracach (Boivin..t − p −1 ) ∑ iˆ. B a r a=n o w s k i . Ng 2005. t = λi . 2000).xi . t – maksymalizacji funkcji wiarygodności z wykorzystaniem modeli przestrzeni stanów i filtru Kalmana – por. expectation maximization.t + . . Stock. t − Λ i . Prognozując predyktory (składniki macierzy X) na podstawie algorytmu maksymalizacji Λ=C oczekiwań (ang. ˆ �X gdy z góry nie znamy ich liczby ani rzędu ich opóźnień. PC ˆ ˆ PC Ng 2005): CDC' = F Λ'ΛF ' 1.. ˆ ˆ ∑∑ ∑∑ Λ = [λ i. 2 . t +1 = A( L) f r . Watson 2002b) i bezpoT T N P średnią metodę prognozowania (ang. Breitung. 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. Watson 1998). Jednak w modelu ze słabą korelacją składników idiosynkratycz�X = F Λ'ΛF' + Ω nych (przybliżony DFM). T → ∞. że w statycznym modelu czynniki idiosynkratyczne mają strukturę autoregresyjną. p ⋅ f r . xi . diffusion index yt + yt + h = α 0 + α1 model): λ r . .ti . f 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..t z równania (3) lub dynamicznej – z równania (6)...t ] większej wiarygodności T × R (MNW) i MNW z filtrem Kalmana za pomocą procedur do pakietu Matlab pochodzących z Doz i in. A . t = 1.1 f 1. W niniejszym opracowaniu ta1 ostatnia metoda została wykorzystana jako metoda podstawot =1 t =1 i =1 p= wa dla modeli czynnikowych.. co jest alternatywnym sposobem uwzględniania opóźnień publikacyjnych. gdy N. gdy składniki idiosynkratyczR Λ( normalny. r .t − 11 ogólnych założeniach nakładanych na składnikirlosowe (por. t − p −1 + ε t + h r =1 p =1 – analizie głównych składowych ze spektralną estymacją rzędu opóźnień.3. Szafrański r 1 ˆˆ ΛΛ' = I f rt xt można i 1 xit F = XC Wynik taki = 1 N również uzyskać. Eickmeier 2006) wskazuje się.r] N × R X 2.. Marcellino (2003).tanalizie czynnikowej jest stosowana ze względu na prostotę obliczeniową i jest równoważna metodzie największej wiarygodności.

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

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

t − p + 1 ∑ j = 1 ˆ j j. Lead. yt ˆt h ˆ t +1 t −11 ˆ ˆ ˆ= λ ˆ t – oszacowania (MNK) parametrów strukturalnych poszczególnych modeli proα t0+. +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. γj α 0 – ˆλ p α wkt. Wyniki DFMLead. 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.=p1. MAE i ME. t + h ˆ yt + h ˆ ˆ 0 ˆ1 t ∑ ˆ j s j. MSEi h > H 0W∀ . DFM ˆ αrok 1do rroku.. RW. yt = y rr ( y /y ) t ˆy+1 = yt trr. ( 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. γj ≠ MSEWZORC ˆ ˆ .MSE iH :0:AR.α11wktt + ∑ 11 1 γ j s j. średnia i = AR.). ˆ=. MSEWZORC j =1 su weryfikacji w dwóch układach: oddzielnie dla bieżącego monitoringu (h = 1) i dla prognoz na i = :AR MSE DFM .h yt 1 ∑12 ytrr j + 1 j =1 12 ˆ rr ˆ= ytrr. a pierwszych pięć czynników za około 35% tej zmienności. Zastosowano dwie metody annualizacji w zależności od horyzontu prognozy12: ˆ . 2006a). ˆ ˆˆ ˆ λ γ yt + h α wybrany ankietowy j s j. =t wspólne czynniki wyznaczone metodą głównych składowych.λ+. α ˆy λ r.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. RW. 12-miesięcznego okresu weryfikaH 0 aneksach ≤ MSEi DFM H 1 ∃ MSE DFM do listopada 2009 r. zmienne z rynku finansowego.PC p + 1 + ∑ 11 1 γ j s j. Lead≤ średnia 1.1 =trr ih=1 y t + i Πhj =1 yt − j +1 rr ˆ Π + gnostycznych.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.1α1. λ r. ˆ rr ytt+ ˆt h y yt yˆt+ . MSEWZORC t − j + i H 1 : ∃ MSE DFM > MSEi MSE DFM .t yt ˆ ˆ ˆ ˆt yftˆi+. ytrr. p .αˆ r.yˆj+ i Πhj =1 yt − j +1 γ ˆ y h ˆ rr y rr h ˆ ytrr. Lead. 13 Dla ilustracji: pierwszy czynnik odpowiada za nieco ponad 11% zmienności predyktorów w całym badanym okresie. MSEWZORC rr : MSEMSE= MSE rr. MSE i= ≤ MSE H : MSE DFM H 0 0 ::∀ MSE DFM MSEWZORC i H MSE DFM MSE DFM . średnia DFM ≠ WZORC i = AR.1 pkt proc. Zastosowane metody gwarantują. Πri. yy– yrrh = trr trr indeks cen rok do roku (CPI lub inflacja bazowa) oraz jego prognoza. 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 t +1 /yt −11 Wszystkie yt fˆ H.t0 : MSE estymacji wynosi. yti+t h = α 0 + α1 yt + ∑ j==1 γ j s j. . α1. DFM MSE i 1 iH 1 AR.. ˆˆjwk + 11 γ wskaźnik koniunktury (ogólna sytuacja ekonomiczna w handlu)11. t + hrząd opóźnień wspólnych czynników wykorzystanych w modelu R. hp fˆ.:αMSEp . że błędy agregacji będą stosunkowo niskie. t + h ∑ ˆ ˆ ˆ ˆ = α + α wkt 11 = ˆ yt + h = α 0 + α 1y + + ∑ jjγ1 γ j s j. : ∀ MSE przedstawiamy także wyniki dla krótszego. od 92 do 103 miesięcy. α1. t + h ˆ = ˆˆ γ ˆ αt 0 . yˆ – 11 ˆ ˆ ˆyt+ y rr rr ˆ ytrr h. ˆ f ˆ– 11 yˆi . 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. Wyboru dokonano spośród wielu rozważanych zmiennych (ankietowe wskaźniki koniunktury. t + h rr ˆ . indeks cen produkcji sprzedanej przemysłu)..MSE ≠ > średnia = ∃MSE . p r. 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 + h ˆ yt + h ˆ 0 ˆ 1 t t ∑ 11=1 γ j = j. fi t Hi .+ .α00r. Długość okna DFM = MSEWZORC w zależności od horyzontu prognozy. 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 . przy zachowaniu prostoty obliczeń. RW... 2006b) i metody quasi-największej wiarygodności (Doz i in.. 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. RW Lead.MSE iWZORC MSE DFM MSE MSE porównań modeli DFM i modeli wzorcowych prezentujemy dla 24-miesięcznego okreMSE DFM . 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. ˆ ˆ tt . t + h j 31 ˆ0 ˆ ˆ ˆt yrr+ h = αrr + α1 yt + ∑R=1 γ j sPj. t + h f rr rr ˆ ˆ ˆ ˆ yt 0. średnia Wyniki DFM .t. t + h y gdzie:t+. t + h − j 12 + α y + ˆ ˆ ˆ yt + h = α 0 ˆ1 t ∑11=1 γ j s j.). Porównanie modeli oparte było na podstawie wskazań średnia na syntetycznych miarach błędów prognoz poza próbę RMSE. Spośród tych modeli prezentujemy tylko model z liczbą wspólnych czynników określaną i = AR. rolling sample). MSE i MSE DFM . kryterium informacyjnego Schwarza (BIC). DFMj α H 1 : ˆMSE p ˆ WZORC MSE DFM .prognostycznym. MSE ii MSE DFM MSE ków13. RW MSEWZORC H=1 : MSE . γ ≠ MSE flacjiˆ 0 .+t 1 deterministyczne zmienne sezonowe (przyjmujące wartość 1 w miesiącu j i 0 w pozostat ˆ + ˆ ytrr yt +1 /yt −11 ) ˆ ytrr. P – odpowiednio: j liczba i ˆ ˆ ˆ ˆ. λ .. Lead. MSE i= MSEWZORC 4.1 yłych (okresach). tKrótkookresowe prognozowanie inflacji . RW. +. MSE= y (DFM /y ) WZORC Hrr DFM ˆ WZORC ˆ yt +01 MSE= yttrr. 11 Wybór wskaźnika wyprzedzającego wynika ze wstępnych analiz błędów prognoz RMSE w przyjętym 24-miesięcznym okresie weryfikacji. α1t.th = α 0 + α1 yt + ∑ 11 1 γ j s j. 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. = tα 0 + α1wkt + ∑ j =1 γ j s j.

135 0.276 0.177 0.036 -0. 1 cz. że: – spośród porównywanych modeli wzorcowych najniższe błędy uzyskuje się za pomocą modelu autoregresyjnego.018 0.) Model AR RW Lead Zwykła średnia DFM_PC DFM_PC DFM_Kal DFM_Doz Liczba czynników 5 cz.009 Uwaga: sufiksy _PC.250 0.009 0.604 0.154 0.186 0.149 0. Szafrański Tabela 1 Błędy prognoz h = 1 (bieżący monitoring) – inflacja CPI (pkt proc.033 0.131 0. Wyniki dla inflacji bazowej (tabela 2) wskazują.007 0.117 0. – prognoza za pomocą modeli DFM jest porównywalna (w sensie RMSE) z najlepszą metodą wzorcową.152 0.251 0. _Kal.068 0. G. 1 cz. że: – spośród metod wzorcowych najniższe miary błędów uzyskuje się.216 0.250 0. Wszystkie modele dla rzędu opóźnień P = 1.179 ME 0.019 0.071 0.181 0.937 0.473 -0.213 0. _Doz oznaczają metodę wyznaczania wspólnych czynników – odpowiednio głównych składowych. W tabeli 2 przedstawiamy analogiczne rezultaty dla inflacji bazowej z wyłączeniem cen energii i żywności.002 .177 0. Ranking (RMSE) 3 6 5 7 4 3 2 1 RMSE 0.125 0.161 0. 1 cz.776 0.117 ME 0.253 0. – wybór metody estymacji nie ma istotnego wpływu na własności prognostyczne modelu DFM.32 P.033 0.145 MAE 0.246 0. filtr Kalmana oraz metodę quasi-największej wiarygodności.487 0.264 -0.150 0.121 0.294 0.181 0.093 0.245 MAE 0. Wyniki zaprezentowane w tabeli 1 wskazują. B a r a n o w s k i .060 0. L eszczyńska.018 0. stosując model autoregresyjny (AR).) 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. Tabela 1 Błędy prognoz h = 1 – inflacja bazowa z wyłączeniem cen energii i żywności (pkt proc. A .

041 0. h = 2. Ponieważ w eksperymentach dla h = 1 wybór metody liczenia wspólnych czynników nie wpływał istotnie na wielkość błędów prognoz.597 0.992 1.315 DFM_PC (1 czynnik. Aneks B).841 0.067 0.992 0.202 0. 12 – inflacja CPI (pkt proc. że: • DFM jest porównywalna (pod względem RMSE) z najlepszymi modelami wzorcowymi (tj.301 1. 3. a dla inflacji bazowej przewaga modeli czynnikowych zmniejszyła się na korzyść modelu wskaźników wyprzedzających (zob.890 0.395 -0.951 1.486 0.044 1.937 1.948 0.450 0. • Zastosowanie modeli DFM pozwala ograniczyć błędy prognoz RMSE dla h ≥ 6 horyzontów naprzód (od 5% dla h = 10 do 30% dla h = 12).938 1. 33 – prognozy za pomocą modeli DFM są lepsze o około 5% (pod względem RMSE) od najlepszych modeli wzorcowych. 9.033 1. Wyniki zaprezentowane na wykresie 1 i w tabeli 3 wskazują.. 3.Krótkookresowe prognozowanie inflacji .003 0.506 0.322 1. 1 opóźnienie) 0.054 0..033 0.162 0. .399 0. Tabela 3 Błędy prognoz h = 2.337 -0.832 1.078 0.399 1.340 -0.695 DFM_PC (3 czynniki. 9.202 0. Dla inflacji CPI po skróceniu okresu weryfikacji do 12 miesięcy otrzymano podobny ranking.534 1.192 0.992 0.587 1.896 0. Ponadto dla najlepszych prognoz DFM i prognoz wzorcowych błędy RMSE dla wszystkich horyzontów do h = 12 przedstawiono na wykresach.161 0. 6.559 0. 6.406 -0.378 1.378 RW 0. 12 miesięcy.417 1.390 1.220 0.566 0.629 1.490 -0.935 0.357 0. prezentowane są wyłącznie modele DFM szacowane metodą głównych składowych14.066 0.227 1.819 0.339 h=2 h=3 h=6 h=9 h = 12 14 Wcześniej podobne rezultaty otrzymali Breitung.) Prognozy Horyzont prognoz RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME zwykła AR 0.962 0. modelem AR i LEAD) dla horyzontów h < 6.911 średnia 1.717 0.847 0.802 0. – wybór metody estymacji nie ma znacznego wpływu na własności prognostyczne modelu DFM. 1 opóźnienie) 0.430 0. w porównaniu z analizowanymi modelami wzorcowymi.604 0. Eickmeier (2006).420 0.195 0.995 0.892 0.343 1.479 0.364 0.466 0.452 0.572 1.989 0. W tabelach 3 i 4 prezentujemy szczegółowe wyniki ograniczone – ze względu na przejrzystość pracy – do wybranych horyzontów prognoz.559 1.203 1.038 0.894 0.280 1.127 1. tj.647 1.110 0.695 1.056 0.676 1.591 Lead 0.105 0.548 0.729 1.733 -0.141 0.

548 0.1)* * Liczba czynników i ich opóźnień w modelu DFM przedstawiana jest w nawiasie.680 0.869 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 (3.153 0. 6.225 0.6 0. G.030 0.379 0.630 0.2 1.508 0.113 0.219 0.621 0.0 1. 1 opóźnienie) 0.546 0.) Prognozy Horyzont prognoz AR RW Lead Zwykła średnia DFM_PC (1 czynnik.153 0.164 -0.858 0.6 1. Szafrański Wykres 1 Błędy RMSE dla wybranych metod prognozowania inflacji CPI 2.393 0.635 1.352 0.456 0. B a r a n o w s k i .392 0.228 0.403 0.184 0.452 0.173 0.362 -0.357 1.244 -0.4 1.234 0. Tabela 4 Błędy prognoz h = 2.313 0.164 -0.048 0. A . 12 – inflacja bazowa (pkt proc.459 -0.194 .513 0.427 0.958 0.152 0.654 0.880 0.583 0.504 0.273 0.120 1.357 0.110 0.0 0.179 0.402 0.450 0.492 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. 3.2 0.425 -0.753 0.955 0.004 0.023 0.515 0.291 0.236 0.349 0.8 0.320 -0.883 0.851 0.275 0.8 1.415 DFM_PC (3 czynniki.293 0.427 0.202 0.352 0.079 0.4 0.128 -0.341 0.192 0.920 0.621 0.089 0.607 0.120 1.299 0. L eszczyńska.403 1.189 1.626 0.189 0.34 P.026 0.858 1.764 0.447 1.279 1.677 0. 9.263 -0.

).6 1. tabela 5 w Aneksie C.4 0. modeli AR i LEAD). Przykładem takiego badania jest artykuł Kotłowskiego (2008). Zabiegi te nie wpływały istotnie na uzyskiwane błędy prognoz. w którym wystąpiła gwałtowna zmiana tendencji inflacyjnych.1)* * Liczba czynników i ich opóźnień w modelu DFM przedstawiana jest w nawiasie.6 0. tabela 4 w Aneksie C).2 0. że: • Dla h = 2. 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..0 1. a modele DFM zdobywały przewagę jedynie w dłuższych horyzontach (por. (2) zmiennych najsłabiej skorelowanych (bieżąco i z opóźnieniem) ze zmienną prognozowaną i (3) poszczególnych grup zmiennych uporządkowanych tematycznie. a dla dłuższych – model wskaźników wyprzedzających. 35 Wykres 2 Błędy RMSE dla wybranych metod prognozowania inflacji bazowej 2.8 1. W krótszym okresie weryfikacji (od grudnia 2008 do listopada 2009 r. .0 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 Leading Indicator Random walk DFM (1.4 1.8 0. Dodatkowo podjęto dalsze próby zmniejszenia błędu prognoz przez wyłączanie z bazy danych modelu DFM: (1) zmiennych o najniższych ładunkach. • Spośród pozostałych metod prognozowania dla h = 2 najniższe błędy zapewnia model autoregresyjny. W tabeli 4 prezentujemy rezultaty dla inflacji bazowej z wyłączeniem cen energii i żywności. Przewaga dokładności prognoz otrzymanych za pomocą modelu DFM nad prognozami z modeli porównawczych znajduje także potwierdzenie w innych badaniach tego typu.. • Dla h > 3 modele DFM są co najmniej porównywalne z najlepszymi prognozami wzorcowymi. 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. 3 modele DFM są nieznacznie gorsze od najlepszych metod wzorcowych (tj.Krótkookresowe prognozowanie inflacji . stosunkowo dobre wyniki prognoz uzyskiwano za pomocą zwykłej średniej. Wyniki dla inflacji bazowej (tabela 4 i wykres 2) wskazują.2 1.

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

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

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

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

235 0. Błędy prognoz dla 12-miesięcznego okresu weryfikacji Tabela 2 Błędy prognoz h = 1 (nowcasting) – inflacja CPI (pkt proc.) Model AR RW Lead Zwykła średnia DFM_PC DFM_PC DFM_Kal DFM_Doz Postać DFM (liczba czynników) – – – – 1 czynnik.468 0.102 0. 2 opóźnienia 1 1 1 Ranking (RMSE) 3 5 1 7 6 5 4 2 RMSE 0.468 0.007 -0.221 0.229 0.290 0.212 0.014 -0.015 .033 0.292 0.000 Tabela 3 Błędy prognoz h = 1 – inflacja bazowa z wyłączeniem cen żywności i energii (pkt proc.031 -0.235 ME 0.212 0.122 ME 0. B a r a n o w s k i .041 -0.145 0.289 MAE 0.186 0.143 0.146 0.035 -0.40 P.604 0.316 0.182 0.127 0. G.209 0. A .033 0.297 0.045 -0.159 -0.024 -0.278 0.259 0.317 0.012 0. Szafrański Aneks B.180 MAE 0.234 0. L eszczyńska.232 0.005 0.165 0.138 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 0.149 0.315 0.221 0.

052 0.239 0.459 -0.553 0.612 0.280 0.641 0.898 0.439 -0.017 0. 41 Aneks C.679 0.847 1.294 0.564 0.425 -0.922 0. 1 opóźnienie) 0.293 0.974 DFM_PC (3 czynniki. 1 opóźnienie) 0.181 -0.078 1.107 -0.296 -0.217 0.536 -0.146 0.897 0.882 0.575 0.424 -0.513 0.393 0. 12 – inflacja bazowa (pkt proc.163 1.497 RW 0.777 0.653 0.) Prognozy Horyzont prognoz RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME AR 0.816 0.565 0.709 0.108 0.607 0.420 0. 9.140 0.250 0.571 -0.284 0.213 0.671 0.479 -0.582 -0.514 -0.201 0.837 -0.829 -0.703 0.329 0.400 0.527 0.300 0.525 Zwykła średnia 0.164 0.656 -0.613 0.334 0.393 0.228 -0.766 -0.974 -0.673 0.272 0.000 DFM_PC (1 czynnik.842 0.501 0.539 0.543 0.490 0.943 0.794 -0.573 -0.493 0.783 0.256 0.532 0. 4.533 0.797 -0.139 -0.675 -0.163 DFM_PC (1 czynnik.108 0.797 0. 12 – inflacja CPI (pkt proc.365 0.324 -0.900 0.553 0.643 0.349 0.389 -0. Błędy prognoz dla 12-miesięcznego okresu weryfikacji Tabela 4 Błędy prognoz h = 2.286 -0.309 0.655 -0.236 0.216 0.298 0.358 0.014 0.279 0.797 -0.141 0..211 0. 6.620 0.539 0.829 Lead 0.715 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. 8.743 -0.683 0.437 -0.712 0.546 0.092 0.154 1.196 1.488 -0.904 0.304 -0.845 0.154 0.216 0.885 0.263 -0.582 0.533 -0.369 -0.435 0.881 0.086 DFM_PC (3 czynniki.649 0.803 0.521 0.077 0.359 0.948 0.260 0.678 0.171 0.209 0.212 0..608 0.864 0.181 -0.624 1.564 0.723 -0.816 -0.057 0. 1 opóźnienie) 0.478 Lead 0.524 0.280 0.066 0.785 0.643 0.505 -0.011 0.783 0.763 0.057 0.134 0.726 0.078 -1.847 0.861 0.643 0.291 0. 6.Krótkookresowe prognozowanie inflacji . 1 opóźnienie) 0.837 h=2 h=3 h=6 h=9 h = 12 .390 0.544 0.450 h=2 h=3 h=6 h=9 h = 12 Tabela 5 Błędy prognoz h = 2.124 0.245 Zwykła średnia 0.918 0. 3.516 RW 0.573 0.

+ h + ˆ 1 t ˆ 1 t ∑ j =1 ˆ j ˆ 42 yt + h j ˆ 0 ˆ f i . (1997.0 46. ˆ rr ˆ αrr ..6 66. t + h j 11 Tabela 6 Wyniki testów Harveya i in.Π ij =1 yt=− j +t1−DFM oraz najlepszego (dla danego horyzontu) modelu wzorcowego18.ˆHLN) testowano hipotezę zerową o równej trafności najlepszego (dla ˆ ˆ ˆ = ˆ h αˆ . średnia i =i ARAR. DFM MSEi i H=H=: AR. średnia> MSE MSELead≤ średnia 0 :AR. B a r =1sˆ o wts k i . MSE zontu) modelu DFM. α1. yyt.5 59. ˆ ˆ ˆtˆ = ˆ 0 + ˆ γ ytrry tytrr= tα +yα hwkα+ 11 α 1wkt s+ ∑ j =1 γ j s j. – dla wszystkich horyzontów h = 1. MSE i gdzie: MSE DFM . MSE H 0 : ∀ MSE DFM ≤ MSEi ≤ MSE 0 i ∀ ∀ RW.7 h=3 23.t t ˆ ˆ yt . średnia ).2 h=6 86..8 h=8 77.rr.7 h=2 81. t + h ˆt=hα +0α wk +P.4 h=5 84. yt ˆ 0 ˆ . RW. t + h ˆ 11 y. RW. ˆ . Rezultaty zaprezentowane w tabeli 6 wskazują. RW. H DFM ∃ MSE i .9 49. 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 .ri. rr yt + 1 = yt ( ytt+ 1 /yt −11 ) f i=t yt ( yt +1 /yt −11 ) ˆft ˆ yˆi+t1 . 18 Dziękujęmy Pawłowi Skrzypczyńskiemu za udostępnienie oprogramowania do testu HLN. L eszczyńska.5 66. tj. średnia rr rr ˆ α ˆ ˆ yt + h = α 0 +11ˆ1 yt + ∑ j =1 γ j s j. MSEWZORC charakteryzuje się większą trafnością od najlepszego (dla danego horyMSE DFM .ˆpytγj yt ˆ α ˆ αrr. 12 dokładność prognoz DFM i najlepszej prognozy wzorcowej jest porównywalna.γ+ .h tytthα 0 α 0α1 yˆ1+ t∑∑γ=j1sˆj. Hansen. 2005) testowano hipotezę. Zestaw testowanych hipotez ma następującą postać: MSE DFMDFM iWZORC . odpowiednio: najlepszego modelu DFM gdzie: MSE DFM .y y ˆ= = ˆ + t ˆ y ˆ+ ˆ t + ˆ α y + j =1 ˆ γ + j yt t+. że żaden H 1 : ∃ MSE DFM > MSE DFM .3 HLN (p-value) SPA (p-value) HLN (p-value) SPA (p-value) Uwaga: p-value oznacza empiryczny poziom istotności testu.α1. MSE i li wzorcowych ( i = AR. (1997) oraz testu Superior Predictive Ability dla prognoz indeksu CPI (w %) h=1 97.hλ p .7 66. Lead. RW. jts h.4 65.=λ.ˆ y . γ Załącznik. . różnica między błędami prognoz MSE z modelu czynnikowego i modeli wzorcowych jest statystycznie nieistotna. 1 t ˆ 0+1α1 Πri. α1rr λ r. i z modeli wzorcowych nie MSEWZORC MSE DFM .3 48.5 59. pD. 12 żadna z prognoz wzorcowych nie jest istotnie lepsza (w sensie trafności) od modelu DFM.y j ytrr. W teście rr Harveyaˆi in. Szafrański ∑γa nj. MSEWZORC H 0 : wzorcowego.9 h=4 24. MSE:Lead. λ r . że: – dla wszystkich horyzontów h = 1. γ ˆ yt0+1 ˆˆ hΠˆ =1 y0t Π r.0 61. yt f i .7 h=9 86.7 h=7 78. Lead. y ˆ 11 + .t ˆ yt .ˆhoryzontu)γj+h j 1 j +1 danegoαˆ=.5 51.j Testowanie hipotez o trafności prognoz CPI ˆ yt0 . . MSE i – błędy średniokwadratowe. 1 DFM i H 1H∃: ∃ MSE DFM MSEi i : 1 MSE DFM > > MSE MSE DFM . odpowiednio: najlepszego modelu DFM i modeMSE DFM .3 h = 10 97. … . tytrr yt ˆ ˆˆrr rr rr fˆi . G. = . … .yˆˆ1. 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. Lead.jt + hj. MSE i MSE . MSEWZORC to błędy średniokwadratowe. A .0 h = 12 53.6 31.5 h = 11 77.

random walk. Keywords: inflation.. In the paper we test short-term forecasting ability of diffusion index model for two Polish inflation indices (overall CPI and core inflation). leading indicator. Similar conclusions for other inflation series have been drawn in other studies.09. especially for longer horizons (up to a year ahead)..2009 r. The forecasting results compared to popular benchmark models (AR.Krótkookresowe prognozowanie inflacji . simple mean) suggest that out-of-sample prediction errors can be reduced when using factor models. 43 Podziękowania Autorzy pragną podziękować wszystkim uczestnikom seminarium Instytutu Ekonomicznego NBP z 23. forecasting. To this end. Short-term inflation forecasting using factor models Abstract Dynamic Factor Models are useful forecasting tools in data-rich macroeconomic environment. 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. dynamic factor models .

Sign up to vote on this title
UsefulNot useful