You are on page 1of 22

B a n k i K r e d y t 41 (4), 2010, 2344

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

Krtkookresowe prognozowanie inflacji z uyciem modeli czynnikowych


Pawe Baranowski*, Agnieszka Leszczyska#, Grzegorz Szafraski

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

Streszczenie
Dynamiczne modele czynnikowe (DFM) umoliwiaj uzyskanie syntetycznej informacji o ksztatowaniu si zmiennoci duego zbioru danych. Celem niniejszego opracowania jest sprawdzenie jakoci krtkookresowych prognoz inflacji CPI oraz inflacji bazowej w Polsce (z wyczeniem cen energii i ywnoci), sporzdzonych za pomoc modeli DFM. W badaniu wykorzystano 182 szeregi czasowe o czstotliwoci miesicznej, obejmujce obserwacje zmiennych makroekonomicznych od 1999 do 2009 r. Otrzymane rezultaty wskazuj, e efektywne korzystanie z duego zbioru danych moe obniy bdy poza prb prognoz inflacji, szczeglnie dla duszych horyzontw prognozy. Podobne wyniki dla inflacji uzyskano we wczeniejszych badaniach.

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

* Narodowy Bank Polski, Instytut Ekonomiczny, Uniwersytet dzki, 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 dzki, Katedra Ekonometrii; e-mail: grzegorz.szafranski@nbp.pl.

24

P. B a r a n o w s k i , A . L eszczyska, G. Szafraski

1. Wstp
Banki centralne na bieco analizuj wiele czynnikw mogcych, bezporednio lub porednio, ksztatowa procesy inflacyjne. Wynika to gwnie z niepewnoci co do tego, ktre z nich maj obecnie najwikszy wpyw na inflacj. Wrd monitorowanych zmiennych mona wyrni m.in. wskaniki produkcji i koniunktury, agregaty monetarne, ceny dbr importowanych i surowcw na rynkach wiatowych, kursy walutowe, wskaniki rynku pracy oraz stopy procentowe. Informacje pynce z tak rnorodnych czynnikw stosuje si do procesu prognozowania inflacji. Wykorzystanie penego zbioru danych w standardowych modelach nie jest na og moliwe ze wzgldu na niewystarczajc liczb obserwacji w stosunku do liczby wykorzystywanych szeregw. Proste urednianie informacji czy pominicie wielu wanych zmiennych w modelu prognostycznym moe prowadzi do uzyskania niedokadnych i obcionych prognoz. Narzdziem dostarczajcym syntetycznej informacji, zalecanym do biecego prognozowania inflacji, jest dynamiczny model czynnikowy DFM (ang. Dynamic Factor Model); por. Stock i Watson (2002b); Forni i in. (2005). W modelu czynnikowym wykorzystuje si fakt, e macierz kowariancji duego zbioru predyktorw moe by syntetycznie przedstawiona za pomoc zmiennoci kilku wsplnych, nieobserwowalnych czynnikw. Czynniki te, chocia z ekonomicznego punktu widzenia maj ateoretyczn konstrukcj, mog by wyrazem nieobserwowalnych si sprawczych funkcjonujcych w gospodarce1. Mog by utosamiane z krtkookresowymi wahaniami aktywnoci gospodarczej i suy do aproksymacji biecego stanu koniunktury (Altissimo i in. 2001; Stock, Watson 1999). Zastosowanie modeli czynnikowych pozwala na skondensowanie informacji zawartej w zbiorze predyktorw do rozmiarw, ktre umoliwiaj jej efektywne wykorzystanie w modelu prognostycznym, bez znacznej utraty liczby stopni swobody i bez naraenia si na ryzyko obcienia prognoz wynikajcego z pominicia wanych predyktorw. Technika czenia informacji z duego zbioru danych za pomoc modeli czynnikowych jest stosowana w analizach makroekonomicznych do rozwizywania wielu podstawowych problemw badawczych. Wrd przykadw warto wymieni wnioskowanie o syntetycznym stanie rynku lub gospodarki na podstawie danych zdezagregowanych (Forni, Lippi 1997; Del Negro, Otrok 2007) czy modelowanie reakcji polityki pieninej na informacje pochodzce z duego zbioru danych (Bernanke, Boivin 2003; Boivin, Giannoni 2006). Modele czynnikowe stosowane s take do konstrukcji szeregw nieobserwowanych bezporednio, np. inflacji bazowej lub czystej (Cristadoro i in. 2005; Brzoza-Brzezina, Kotowski 2009). Do podstawowych zastosowa modeli wykorzystujcych wsplne czynniki jako zmienne objaniajce naley krtkookresowe prognozowanie stanu gospodarki, w tym PKB (Giannone i in. 2008, Schumacher 2007) i jego komponentw (Angelini i in. 2008), oraz stanu koniunktury gospodarczej (Forni, Reichlin 1998; Aruoba i in. 2008). Modele czynnikowe stay si rwnie popularnym narzdziem biecego monitorowania i krtkookresowego 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 take w Polsce (Kotowski 2008). W badaniach empirycznych dotyczcych inflacji modele czynnikowe charakteryzuj si lepszymi wasnociami prognostycznymi od wielu modeli szeregw
1

Taka idea leaa u podstaw rozwijanego przez Stocka i Watsona (1998) modelu indeksw dyfuzji. Jej pierwowzorem bya koncepcja cyklu referencyjnego amerykaskiego Narodowego Biura Bada Ekonomicznych (NBER).

Krtkookresowe prognozowanie inflacji ...

25

czasowych, w tym modeli stricte opartych na teorii ekonomicznej (Berger, Stavrev 2008). Podobne wnioski wynikaj rwnie z porwna rnorodnych modeli wykorzystywanych w Banku Anglii do prognozowania inflacji (Kapetanios i in. 2008). Celem niniejszego badania jest sprawdzenie jakoci krtkookresowych prognoz za pomoc modeli DFM dla dwch wskanikw inflacji w Polsce, tj. indeksu cen towarw i usug konsumpcyjnych (indeks CPI) oraz indeksu CPI z wyczeniem cen energii i ywnoci (tzw. inflacji bazowej). Na podstawie duego zbioru (N = 182) miesicznych szeregw czasowych obejmujcych obserwacje od 1999 do 2009 r. (T = 127) sporzdzono prognozy miesicznej inflacji w ujciu rocznym w horyzoncie prognoz do 12 miesicy naprzd, z wyrnieniem prognozy publikowanej w biecym miesicu, zwanej biecym monitoringiem (ang. nowcasting). Prognozy uzyskane za pomoc modelu DFM zostan porwnane z prognozami wzorcowymi, stanowicymi dla nich punkt odniesienia (zwyka rednia, metoda naiwna, model autoregresyjny, model wskanika wyprzedzajcego), przy wykorzystaniu 24- i 12-miesicznego okresu weryfikacji prognoz poza prb. Struktura pracy jest nastpujca. W drugim rozdziale artykuu opisano konstrukcj dynamicznych modeli czynnikowych, przegld metod estymacji oraz moliwo zastosowania tej klasy modeli do prognozowania. W trzecim rozdziale przedstawiono zaoenia badania empirycznego, a w czwartym otrzymane wyniki.

2. Dynamiczny model czynnikowy


2.1. Prognozowanie na podstawie duego zbioru zmiennych
Oznaczmy przez X = {xit}i = 1,..., N zbir zmiennych objaniajcych (predyktorw)2 obserwowanych w okresach t = 1,..., T, na podstawie ktrego wyznaczamy prognozy zmiennej na h okresw naprzd N X = {xit}i = 1,..., N (h = 1,..., 12): yt + h = 0 + i xit + t + h

yt + h = 0 + i xit + t + h yt + h = 0 + 1 yt + r f rt + t + h i =1
N R r =1

i =1

(1)

Gdy N > T, wykorzystanie wszystkich = 0 + 1 yt + w r f rt + t + h analizie regresji nie jest moyt + h predyktorw tradycyjnej f rt =1 liwe3. Nawet jeli liczba zmiennych jest mniejsza ni rliczba obserwacji (N > T), to ze wzgldu na N wariancj estymatora 1 N oczekiwany bd prognozy ex ante nie dy asymptotycznie do zera, xt = MNK i 1 xit f rt = gdy liczba zmiennych objaniajcych zwiksza si wraz ze wzrostem T (przy staej relacji N/T) N x =1 N x por. Stock i Watsont (2006). 1Z + ... +ograniczenie izbioru+ u i ,t ; i = 1,..., N ; t najlepszych predykto= it x i , = i ,1 f ,t kolei i , r t f r ,t ... + ,i R1 f R ,t informacji do kilku = 1,..., T rw (wyselekcjonowanych na przykad na podstawie kryteriw informacyjnych) moe spowodoX = F' + U x t = i ,1 f 1 + ... + i , r f r ,t dua , R f R ,t + u i ,t = przyszych wa obcienie prognoz, szczeglnie wi ,sytuacji,,tgdy wystpuje ... + iniepewno; co ido 1,..., N ; t = 1,..., T F(T R ) determinant prognozowanego procesu. X = F' + U Badania empiryczne porwnujce wiele rnych metod prognozowania pokazuj, e zmniejF(T R ) ( NR ) szenie wariancji bdw prognoz poza zakresem prby jest moliwe dziki czeniu metod progno-

U (T N )
2

( NR )

Dla uproszczenia analizy (w celu wykorzystania asymptotycznych wasnoci modeli czynnikowych) zaoymy, e predyktory poddano takimF' + U (T N ) uzyska szeregi stacjonarne, a nastpnie je wystandaryzowano. X = F ' transformacjom, aby 3 Z praktycznego punktu widzenia macierz X powinna rwnie zawiera opnione zmienne objaniajce jak w modelu z rozkadem opnie (ang. distributed lags, DL). Sprawia to, e ograniczenia dotyczce liczby stopni swobody X = F 'F' + I s szczeglnie uciliwe.

yt + h = 0 + 1 yt + rI, p f r , t p 1 + t + h
R P r =1 p =1 R

yt + h = 0 + 1 yt + r , p f r , t p 1 + t + h x = ( L) f + ... + ( L) f + u
P

26

P. B a r a n o w s k i , A . L eszczyska, G. Szafraski

X = {xit}i = 1 2004; zowania, oraz czenie informacji pochodzcych z rnych rde (Marcellino,..., N Watson, Stock X = {xit}i = 1,..., N 4. Obydwa te postulaty spenia model Stocka i Watsona (1998), znany 2004; Kapetanios i in. 2008) N N w literaturze jako model indeksw dyfuzji + diffusion index model): + x + y = (ang. x + y =
t +h 0

t i =1 it r =1 lat czenia rnych metod. xitsi bezporednio obserwowalne i do ich estymacji trzeba uy metod, ktX nie Indeksy dyfuzji= { } = 1,..., N x = f + ... + f ... + f + u ; i = 1,..., N ; t = 1,..., T f rt i ,1 i , R R ,t XX = xitx i}1,..., iN,t {{ } = informacji1,t zawarteji ,r r ,t x i ,t = i ,1 if,t1,t + predyktorem, + re efektywnie dokonuj=syntezy= 1,..., N X = {xit}i = 1,..., N w prbie. Syntetycznym ... + i , r f r ,t ... gdy i , R f R ,t + u i ,t ; N it i X = F' + U X = {xit} N yt + N N < T, moe byi = 1,..., h = z + i xit + t + h rednia 0 wartoci wszystkich wystandaryzowanych zmiennych xt = 1 N N X = F' + U x N N i =1 it y y = Reichlin)+y+Xh= {x + x + + F(iitx 1998).Uycie zwykej redniej oznacza jednak arbitral TxR t N (por. t + h =i =1 0 + + dla ustalonego t Forni, t +h 0 } i it t+ h F(T R ) t h yt + h = 0 + x ++ t + h 0 i =1i R i it t + h it ii== 1,..., N ne przyjcie dlai y i= it zmiennej=1 f + kadej + y + rwnej wagi, co 1moe nie by optymalnym podejciem, gdy... + f ... + x i ,t = i ,1 f 1,t + N i , r r ,t =1t + h ( NRR)rtR t + h 0 1 t r N R jest due w porwnaniuh z T. 0 + r =1t + yX=rt=++t}h ysixna f +( NR ) 0 + yty = = + y + ytf=fustala,..., + it + podstawie analizy macierzy korelacji W praktyce wagi{xit i 1 N t + h R + 1y r +1 X 0+ + t = h t i r rt t+ h h t r t + h+ h yt + h = 0 + 1 yt + t + f rt 0+ U1(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. W podejciu tym, znanym z y = czynnikowej, zakada si, e predyktory generoanalizy + x R U N f rtf N fytt++hh = 00 + 1 yt i +it + tr+ f rt +(T t + h) h rt rt xt 1 N x N wane s rt czynnikw (ang. common factors): f przez kilka=(R << N)i =wsplnych 'F' + i =1 1 it X = F r =1 ( xtx= = 1 N i 1Nxitx x = 1 N N x 1N R X = F 'F' + NR ) N = t it i =1 t i =1 it xt = 1 N i 1 xit + t+ x i=,t = i ,1 f 1,t + ... i , rI f r ,t yft + h = R0 f R1+ tu+,tr ;1 ri f rt1,..., h ; t = 1,..., T + ...rt+ i , + ,t y i N = U N ) = (3) x ixt = = i f 1,ft + + ... + ir = r ...... ++NRP f +,t+ +fiut ; = 1,..., N+ u = ;(T,..., T T ,..., N ; t = 1,..., T ,1 ... + x , f ft f+ i... Rf u , ... + i 1,..., N t t 1 1,..., 1 iI f ;; R , , i= i ,x i , r , 1,,t N1,t ' + iU R ,ti , r r ,i ,t ; t X ri 1 F t i i ,t = =R = ; =u + ii 1,xit,..., f; t 1,...,,T R ,t i ,t i ,1 1,t R t+ y N = 1 + t+h x i ,t = i ,1 f 1,t + ... + i , r f r ,t ...y+ h =R 0R ,+f 1 it,t = 1 t + i , f t rt R P XX=1===1 ' +,+ U r , t p X = F' + U = F r' p U r pF F(T R ) yt + h = 0 + 1 ytX = F 'p ' +r , t + F f N X =model czynnikowy (por. Chamberlain,Rotschild 1983). Ma- p 1 + t + h F' + U Rwnanie (3) okrela statyczny F(FR ) i r, T FxxttR = 1 i+ ...,t++... +L)i ,fr f r ,+... + i , R f R ,t + u i ,tr ; 1 p =1= 1,..., N ; t = 1,..., T i , ) N f 1 i 1 x it ,1 t = = xi , t = i ,1 ((TL) f1, t ui , t cierz F(T R ) skada si z(TRR nieobserwowalnych czynnikw ( fR ,tt) wsplnych dla wszystkich prei, R ( ( NR ) ) r, X = F' + U I dyktorw, a macierz ( NR ) tworz stae w czasie adunki czynnikowe,1 ( L) f1, tloadings) i i,(, czyli + ui , t = i R f R , u ,t xNR= i ,1 f 1,t + ... + i , r fx,it, t... + i ,(ang.t ++ i...;+ ,= 1L) f R ,t ; R = P ,..., T i R r ,..., N t 1 ( , r Fi Tt ) ) ( N ) U (T N ( NR ) parametry Rliniowych )kombinacji ftych = A((LRf)r , t + r ,t , czynnikw. Idiosynkratyczne skadniki losowe i,r+ bdce u , y + r , t +1 y r, p f 1 t X = F' + Ut + h = 0 U (T U (T za elementami macierzy U TN)N ) , odpowiadaj N ) pozostae nieskorelowaneA(czynnikami, f r,t zak- r =1 p =1 z L) f + ( f r , t +1 = N U (T N ) r ,t r ,t F x= R cenia zmiennych X i, t . F 'F' + ( S + 1)((T RR)) xi , t = i ,1 ( L) f1, t + ... + i , R ( L) f R = FF '' + + mona wwczas 'FF' X = Macierz kowariancji predyktorw X = F 'F' + zapisa: U (T N ) R ( S + 1) X = F 'F'+I X ( NR ) PC PC

X = {xit}i = 1,..., N R R yt + h = 0 + 1 yt + r f rt + t + h y = + y + f + (2) t+h 0 1 t r rt N t + h r =1 yt +rh=1= 0 + i xit + t + h i =1 f rt Wedug pomysu Stocka i Watsona indeksy dyfuzji (zmienne f rt ) powinny wyraa wsplny R N dla wikszoci predyktorw wzorzec=zmian, a dodanie skadnika autoregresyjnego+ h = 0 + postu- r f rt + t + N y spenia 1 yt + xt 1 N i 1 xit = x =1 N x t
i =1

i =1

it

t+ h

t +h

it

t+ h

F = [ fr,t ]T R I I R P I f r , t +1 = A( L) f r , t + r ,t , PC (4) I yt + h = 0 + 1 yt + R P =f rN, t) p F t+ h P r U F '1 + ' + R F PC = [ fr,t ]T R = [ R, ]X (PT p 1 = ytyhR = P + + y+=+y i,r N , p + ft yp + + + t h f 0 1ryt1 p R f r , 1 + + + t+h h = r ,t t+ = 0 1 t skadnikw 1 r , tt p h r , p 1+Ir 0r p F' +1r p =t1+ R ( S + 1) gdzieyhoznaczamacierzh kowariancji pr=1t1++ = t=h F,'idiosynkratycznych. p 1 p p 1 t + = 0 + 1 yt + r , p f r , t =1 r =1 X = = [ ] xi , t = i r1=(1L) 1f1, t + ... + i ,1 (NTfXX' ui , t = R L ) R ,t + p= , i,r N R R P X xix = i ( L) f1,ft + + x + + i=( ) f)Rf, +y+ i... + L) f f + u + PC ... y , L L+ t + u ,t , = i ,1 ( 1, t,1t u nazywamy R ,tr , t p ,1t = ,1i ,1 ( L) 1, t ... hRi ,IR),0 modelt +t i ( r , p dokadnymt +modelem PC ]T R i , tt + i, R i h Gdy = jest ) f + ..., t+ jednostkow u F = [ fr,t czynnii R ,t xi , t i ,1 ( L macierz i , R ( L) f R ,t + ( i , t t f r ,1t,+1exact), )wr ,pozostaych przypadkach r =1 p =1 X = 1 NT XX' czynnikowym t, = A( L f t + Cr',C = I R kowym (ang. strict, przyblionym modelem R P f r ft +1 = A( L) f r ft + + fry, , = (( L) y ++... , ( L) ff + u + , t h ) PC1 t ,t + i A( L) , r , t r,xrtit,+t+1PC=A,10L+ f r ,1t, t+ r, R r , p Rr,,tt p 1i , t t + = [ ] f h (Chamberlain, Rotschild, t 1983). = = , r i,r N R f r , t +1 = A( LRf, t( S + r1+1 ) r + ,t), CDC' = F i'F ' r =1 p =1 C' C = I R RR ( S S +)1) ( + 1 Rx ( S = 1)( L) f + ... + ( L) f + u ,1 f, t += + i A L) 1r, t, t + przewagi 4 Mona rwnie)wskaza badania, ktre X i R ,t i, X 1 r 1 nie potwierdzaj(tak silnej r ,t , i , R dynamicznych ' F PCczynnikowych R ( S + 1 PC PC = F PCt modeli= ' NT XX' F = [ fr,tNa T R ] przykad Banerjee i in. (2005) stwierdzaj, iCDC' z trzema czynnikami ma wiksz nad pozostaymi modelami. model PC PC PC F PC = [ [ dla]TR= euro, =porwnaniu zdolno prognozowaniaF PC = fr,t PCstrefy C FR w ([ fr,t 1) T R z modelem inflacji f jedynie w PC PC +1 modelu, f r , t + r ,t autoregresyjnym (AR),zmiennych trzech r,t ]T R ftegoS +A(]L) polegajca, m.in.Xna dodaniu piciuC = I R objaC' = F = [ fr,t ] R na 10 okresw weryfikacji. Jednak modyfikacja r , t T = [ i,r] N R ' sprawia, e taka metoda prognozowania zyskuje w wikszoci okresw niajcych (wskanikw wyprzedzajcych),= I = [ [ [ ] AR. = =C RPC S[]fN1) ] weryfikacji przewag nad = i,r] N NR R modelem CDC' = F PC 'F PC ' F ( i,r +r,t R T R = PC i,r = [ i,r] N = 1 NT XX' PC R X F = XC 1 NT XX' X ' = I = = 1 NT XX' PC 1 NTPC ' X X = N[i,r] NXXPR [ F = = fr,t RT ] = 1 NTC' C = I X T T X XX' R PC 2 PC ) 2 = =C ,t CC' C = R ui ,t C' ( xi , t i , r , p f r F p 1 = .XC 'C = I I C1=i =I R t =1 t p =1 = 1 PC PC

= = + N yt + h = 0 + 1iyt1,..., r f rt + tr+=1 N F(T R ) r =1 X = {xit} h N X = {xit}i = 1,..., N N N i = 1,..., N = + y 0 t+ f rt yt+h= =+}h i xit + i xit + = h + x + X 0 {xitt += 1,..., N ti+ 1 h X = {xit}i = 1,..., N yt y = + x + 0 i it t +N h = X== {xit}i+ h f rt t + h 0N i it N t + h iN 1 i ( i =) R1 x} X i= {+it ti+=h1,..., N R= 1,..., N i =yt + h = 0 + i xit + t + h xt = 1 Nyt + hi =xprognozowanie inflacji ... x N =1 it0 + =itR + y + N f + 1 R i=1 27 N Krtkookresowe N R y 0 1 h =1 h + f y ytx h = 0 + i xxt+=yt + hN=(iT= N y + t + h th0 =it0++txitr +rt t+ hyt=+1h =r rt + t + y + f + 1 U 1 x)it + + it 0 + 1 t y =r +f rt + t1+y i =1 rR 1i y N = tr+ x + t + h t+h 0 1 r rt t +R h X = { it}i = 1,..., N i =1 t+h = t +h 0 = x i i it t + h ,..., + y + + x i ,t = i ,1yr1=,t1 = ... + iyrtyfhr+t ... 0 Rfi ,it +=1ut i+,th ; iy=h1= r10N ;t1 =t 1,..., T r f rt + t + h f + + , + ,= + fi , + R t + R rt t+ R t+h 0 1 t t+ h f rt ur i =1 N ... + i , F + r =1 U t+ y + + i yt x i= i 1 f+, + ... + , rf f r + f R r y + =t ; r i =R1,..., N ;R t = 1,..., T yt + h Boivin, Ngxit(2005),t pokazuj,t + hF 'iF'rt+,tyt + hmodel ,t1 =1tX 'f + przy h + f +autokorelacji = th0 = 0 + 1+ t+h f rtf,rt1Xt= e statyczny = i ,0R+ czynnikowy,rtf rt y zaoeniu r + yt + h 1= 0 + 1 t r rt N r= t+ h r =1 i =1 X =xN =h1+N 0 + i1xitt + r f rt r+1 tf+rth F U y '= = y t f F(T N = N czynnikw idiosynkratycznych(model przybliony),t +xit R xtr == 1 N i xit xt = 1 N R )1 xit xt rt= 1 fN i =1 moe by1 przedstawiony=1jako model Stocka 1 I i= F R f rt N rt N iyWatsona 1 yt + r f(T +) t + h t + h = 0 + (2002b): rt R P xt = 1 N i 1fxit f f rt + ... + f ... xt 1 fN i =1 xit; i = 1,..., N ; t = ( NR ) x = f x i=,+ rt N+i ,1 1,t f ... + , r rf,t + u=, R Rit +1u i ,t N ; t 1,..., T + i; , r =1 t = i N = ,..., = ,1 1 ... t , f t + ... i ,x fi =t 1 ,tN rp R x it , r ,t i x , i i , Rft1,t + i ,tt = i , r f r , 1 , i , xi ; NR , xt = 1 N i 1 xit ( NR,)t =y+ih1 =1, 0 + +,tyt i+ t +,i 1ffrRti,tr p+1u+,t ti+th =i ,= 11,..., N ;... + 1,..., Tt ... +(5) i , R f R ,t + u i ,t ; r r , ... = = xt =N1 N i 1 xit X = F' + U r =1 p =1 f rt U (T N ) x i ,t = i ,1 f 1,t Xt = F' i+ U,t ... X i=R f R ,+ + iu i ,=; i ,1i f=,t1+ ...X ;tF',,..., T i , R x f r ... + + x ... 1 N ,ir 1 xit + = F' t U,t t + =+ r f = 1 ,..., N = i , r= 1 t+ U , N F,1Tf(1L)+fdo prognozowania, R f R ,t + u i ,t zmiennej y. N ; t = 1,..., T Modelczynnikowyw) tejxpostaci ( L)F + + i...= ii ( 1,,...,... + t=r1f r ,t ... + i wybranej ; i = 1,..., wykorzysta U (T N f i... = i ,1 mona u ,t ; + i ,= R t) RN ; uii,,t ,..., T f(1TtRx i ,t xt =x i ,tN= ii ,1 x1,t + ... + Fr r ,t , t + i , R f R ,t , ) 1 1 f it R , X= F = i, X F( F = xt t i ,1 fT=(2). ' + U f (T (5) t Jak wida, dla P = 1 model R ) odpowiada modelowi indeksw =+ ... +1,tR + ... +... i+ r ,t ... + i ,u f R ,t +i u i ,1; iN ;1t,.. X = F''F' + x i ,t = i ,1 if,1,tdyfuzji i)X f=,tF', r+ UR f R ,t + R i ,t ; F + U = = ,..., ,r r X= F(T Ri , X = F + U ( NR Uoglnieniem X = ... + F' + + u jest dynamiczny )model czynnikowy (Forni ) i in. 2000).' ZaF ,t A F )R x i ,t = i ,1 f 1,t + ... + modelu ('Rf)ir, ,Rt +f1R= ( LtTrNF) r,..., N ; t = 1,..., T ( NR ) f r ,t statycznego i , );(f( , tRi+= 1 ,t , i,r X = F + U N (T R ) XF {R )dodatkowo, e rwnanie (3) moe byrozszerzone o opnienia dla kadego 'z R czynniTx kada=(siit}i = 1,..., N I UF N ) F(T R ) ( NR ) X = F' + U R ) ( ) N U (T N ) z ( S + 1) U TNN R PT( rozkadu opnie i, (L) wynosi co najwyI kw5, przy czym dla kadegoR nich rzd ((wielomianuT R ) U (T N ) ( N R ) F(TytR( N0R+ i xit + t + h = ) yt f r R + ej + h(por. Stock, Watson 2002b):+ h = R0 UP 1 yt + r , p ,(tNp+)1 + t + h S) U (T N ) i =1 ) p 1( F ) 1 yt + h = 0 + PCyt + = NF 'ftFp==NR'F' X(TUp r r=,1 X' + + t + h 1 r, R PC = F 'F' + (y U)=T N )+ y + f = F 'F' r+1 p =1 R (T N ) f ] N R ( r rt + Xt+ h Fx = [r,t= ( LT) f + ... + ( L)U (T + )u X t+h 0 1 t N X = F 'F' + (6) r =1 U , i , t = i ,1 =1,F 'F' (iTI t i,t +R N ) f R ,t X U (T N ) x = 1 ( L) f1, t + ... + RI( L) f R ,t'iF' + R IP i, I X = F + u ,t X = F 'F' + i , t f rt = [ i,r] N R i , R P = F 'F' + P R ,t y Kolejne zaoenie: e wsplne +czynniki IrP+ +yhy =+ F s 1F't + fgenerowane f 0 + wielowymiarowy proces f r , t 1 = A( L) = , t t+,X r, t+'X przez r+p f r Ip 1R + t + h auto, N rt 1 t , yt + h 0 r p 1 h xt F N F 1 it =1 + 1 t r p f r , t pt + hr , pyt r fh1 tmodeli t1+yt + r , p fR, t p +P p 1 X = 'I 'i =+x f yt =h A( ) f +y + ,uI,podstawRkonstrukcji,== 0 + FAVAR (modeli VAR P 1 + t + h += r 1 1 p 1 regresyjny postaci r , t +1 + = L 0 r , t r= = r ,t r ley X = 1 NT XX'=1 =1 p y w r =1 p =1 yt )Bernanke y+2005)R Ir ,P f r , t p 1 + tt++hh modelu 1 yt + me- r , p f r , t p t I i p = 0 + x i1 in. fwykorzystania f = 0 + DFM R rozszerzonych o wsplnePczynniki, S + 1+ih 1,..., ; 1,..., T L x iI + R t ( zob. ,1 R , i f r = = yt = =,11,t + ... + i+ f r ,t ... + i , R fR ,f + u i ,t ; xi , t =yih1 (Nit0t1=t=+ 1i...t(+p)) frR+t +if,u,it(,LR 1 RP,t++ui , t L , , +x... , , r t ) yt ,R+ 1)p, ( Lr , t 1p, t1++... = t + , = ) f ,+ ry=1 + =1i ,1Rt ( L t Rp i ,1 ( Lp)f1+ +t ... + i , R ( L) frR 1t p+1ui , t h tprzestrzeni1 stanw i(Doz, ii1in.)2006b). t+hi , R ( L ) f R ,t + ui , t +h 0 + ( , = F' + U xStX= r ' C =fI R tody ,t yt + hr == p =1 i+ 1 yt + r , p f r , t p 1 + , t + h 0 , = P C 1 R P r =1 p =1 PC f , = ++ 1 yt+) f R ,t + ui =1i t r1, ,1 L t + F PC = r,t ]T i yt + h F 0 + 1 yt + r , p f r , t p 1 + t +[h fxi , t = R,1 ( L)fyt1+th +=... 0( L)i ,fR ( L+ , tr ,r px,pf==t pi 1( + ) f1, th + ... + i , R ( L) f R ,t + u =T R ) ( PC A( L ) ,f +1 + , PC r t r r, PC PC f r'x,=tF= 'i ,1 (rLt) f1,Ar+ ... +, t if, R r(=t1,)p =1At( + )ufi , t + , L f p =1 , CDC' f t ... f=, t[i 1r,t( ]Tf RR t + ,ui , , t r , i , xi , t = i ,1 ( L) fr1=t1 +F +r+,fR =LA(L,)= rF +t +1t ) t ,t , ,t ) = R , L ,t r xi , t = i ,1 (rL+1f1, t + ... + ri , R ( L,)t f R ,t + ui , t ( NR ) +u 2.2. i ,1 ( L) f1, t + ... + i , R ( L) f R ,t , t= [ i,rf rN, t+R = A( LRf, t( Si ,r1,( L) f1, t + ... + i , R ( Lf)r ,ft R1,t = Ai(, tL) f r , t + r ,t , Estymacja + ui ] 1 )xi ,rt = + 1t), + xi , t = + X R (f + 1) A( L) f + , R ( S + 1) S = , r ,t [ ( S r , t +1 r ,t r ,t U (fTr,N+1 = A( L ) f r , t + =R i,r] N +R1) t) f r + = A( L) f + r ,t , R przedstawi w poDynamiczny model,DFM z R = C = 1 NT XX' 1PC Fopnie,L) (modelr6)r ,mona ( S + 1) czynnikami (rzdzie f r , t += =fA( t] 1 f r , t + ,t , t o R PC S + ) PC 1 [ PC S f r , t +1 = A( L) f r , t + r ,t X r,t T R PC PC = 1 NT r,t ] XRstatycznej, analogicznie[ do rwnania= [ fr,tw +T1) F ' + 1 = ( S F')+ F PC = fXX'T R F R ( S ] R F PC = [ fr,t ]Tczynnikw wynosi staci (3), ktrym liczba statycznych R X R ( S + 1) ' '= I PC PC C przy wyborze ]R ( S estymacji wsplnych PC = [ fr,t ]T R Jedna F czynnikw. R ( I+ 1) . Ma to due znaczenieC = I RF PC = [ fr,t metody + 1) S = T R PC = [PC ] PC [ i,r] N R F i,r = R ] PC C == ] = [ ] components, metoda z najpopularniejszychC I R[ i,rmetoda gwnych PCfr,t T R PC(ang.principal R skadowych F = [ fr,t ]T R P ' metod F PC N=RXC PC N [ R F = [ f PC ]T Ri,r N CDC PC yt += =pozwala + r , p kroku+uzyskaczynniki ' PC = [ f PC ] . r,t ichwagi = [ ] PC ] yt w jednym f r , t p 1 t + h' = F ' F F + 1 F 0 PC) h [ fr,t T R i i,r N R . W tym r =1 p =1 CDC = F PC 'F PC X = i,rNTPRXX' 1 NT XXR' ' T = [ 1 ] N X = r,t T 'N T ] = [ ] = [ i,r N R X macierz wariancji-kowariancji 2X = 1 NT XX' na iloczyn diacelu dekomponuje si oszacowan XX' X = 1 NT i,r N R i , , L) f + ... , R ( L) R ,t + ui ,ui ,t = ( x , ( i , , ) . t 2 t macierzy p =XX'= f]PC 1 x=t [= i] (macierzy+Dioraz fortogonalnej=1=1 = i1t NTC =r [p ):r ,t=p[ i,r] N R i X = 1 NT XX' gonalnej1N R 1, t i,r X t =1 i,r C'X = I R 1' C I R N R C' C = I C =C X = 1 NT XX' R = 1 NT XX' C' C = I R PC = PC XX f + X A( ) f r , Xr , t=11=NTLXXt' + r ,t , = C f i ,PC PC = PC X ' F CDC'= 1F 1 'NT ' ' PCC' C = I R C' C ' t PC (8) NT XX CDC= I CDC' = F 'F PC ' CDC' =' = I F PC C= RF I'F ' F ' ' 'C = X C'S +=) I R C1 PR ' = I R ( X C C' C I R = CDC' = F PC 'F PC ' CDC R PC F PC ' C = I R X yt + h PC 0XCX ' = F C 'C, = rPC' 1 + +X Na gwnej przektnej macierzy=D + 1 yt + 'PCp fI,R p +PC wartoci wasnych6 empiryczznajduje si R najwikszycht h F= t 11 = F r ' F PC = PC PC FCDC'PC ]F R ' F ' = f PC T r= p= CDC'1 1= macierzy' '= sPC PC ' F wektorami nej macierzy F PC 'F PC = XC CDC' = [Fr,t 'kowariancji predyktorw X= a kolumnyC CDC D PC 'F X wasnymi maciePC , NC T P CDC' = F 'F C = ' =C T 2 rzy , odpowiadajcymi jejTnajwikszym wartociom wasnym. Przeksztacenie (8) dla macierzy T N X =X i,r] N R ui ,t = Pi'=C(Ixi,t ='1 = I, 2r , pXfrPC p 1 )2 . X i ,t [ = =C =1 = 1 p symetrycznej nazywanei,tjest= I t =1 ( xi , t t , r , p f rPCXp 1 ) . Rencher' = I s. 35). Metoda gwnych 2 = dekompozycj spektraln (por. 2002, u' i = C ,t = NT t= t =1 i =1 = C = 1C XX' wyznaczy macierz PC skadowych pozwala 1bezporednio uzyska macierz wag = C , a nastpnie' = I p =1 PC X PC ' = IXC F == XC f i ,t F =liniow predyktorw7: PC = XC PC ' = I C F wsplnych czynnikw F jako kombinacj = XC C = f i ,PC ' '= I=' I R I C t T T P PC 'N= I T NP F PC 2 P XC R2 == PC ( x T PC T 2F f PC XCP. = T u' I P T T N (i ,x +, tf i , ), p.N r ,= p 1 )2 t PC PC , t yt + h = R0 ui1tyPC+= i ,rt, p f 1, r ,i p tu h ,t p 1 r +P F = tPC r , t2 p + i PC CDC' = = 2 t =) PC F PC F XC XC'F ' ui ,t = ( xtiTt1 tT=,r1=XCf r ,t p F1P=i1.=1= XC ip,t=1= ( xi , t 11 i , r , p f r ,tP p 1 ) . = F + 2r t =1 iT=1 2 1 N (9)PC 2 PC , iPC==p =1 r t 11 ,p 1 T = iN + 1 p yt + h t=1 0 + t1=yt i =1 2pr=,1p f r , t p +PC t + h + t =1 p= = 1 PC 11 2 F 1( = XC X T T N T N P . u = ( xi , t i , r , p f r ,t r ==i ,tT = T xiN i ,P , p f r ,t p 1 ) i ,t 1 pu 1 ,t r P T PC 5 Wwczas takie czynniki nazywamy dynamicznymi. 2 f PC t =1P 2 PC T T i 1 =1 =,=t ( xpi ,=t1 i , r ,Np f r ,t p 1 ) . t =1 1 PC u ,t =i2,t = ( xi , rPC , )2 t 6 Dla macierzy xi , t if fi ,rt(a 1 f r ,.wasno ma i ,t i2 u (dodatnio,1tokrelonej,rPCpptakPC p ft1=i),1t2 . utmacierz1 kowariancji)=1fP(wasne dodatniefi =ri PC p 1 )2 . p =1 ,p T T 2 wartoci N =C x s rne. i ,t t =1 t = 2 = 1 ui , t p = i , t i t t =1 t 1 i =1t =1 i 7=1 Uwaga:=wsplne=1 p = R x 1 P p ,t r 2 ,t czynniki p =1 s okrelone jednoznacznie. Siwynikiem przyjcia1identyfikujcych 1 ) . nie PC =1 P u=,t=Rt (+it,=t PCi =1i,ti, rf,fpi,PC=1frPCi,+pR,pzaoe (tutaj f i ,t R P PC t P ' = I ). 1 p 0 t= ,p t +h yt + h f i ,PC +yttf=11hyt + i1=yrt , pyf +r trh, ty p+1 = t 0 +PC + + 1 r , t =+= + + + PC f i ,PC f i ,PC p 1 t yt + h = 0 + 1 yt + r , p r , t p +1 rRf1P=+1h PC t t r =1 p =1 0 +h 1 t 1 r , p f11R p +P1 + t +11 r ,t h t = i ,tp 11 r =1 p = PC r =1 p =1 PC F = XC f i ,PC + yht + h = 0 + 1 yt + r , p f rPC p +1 ty R P yt + h = 0 + 1 t R r , P f r , t p +1 + t + p ,t R P 11=1 p =1 P r yt + h = 0 =T 1Ny+ + r , p f rPC p +1f+PC t + h + yt + h = 11 1 ryt1 + = r , p f rPC p +1R+ t + h + t y P = p 1 T y t + ,PC, p r 2t p +1 0 + ,t PC 0 t +h 11 1 P y + r == p =1 + R 1 yt + f r p + t + h 11 = p , uti2+t h= ( xi,t1r1t1=1=,1r , pp =1fr ,tr p 1 ), . PC ri yt + h = 0 t+h1 yt 0+ r p +r1, p , tt h +1 + + t =1 t =1 i =1 p= = f pt 1 ,rp 1 r , =

yt + h = 0 + i xit + t + h i =1 X
R

28

yt + h = 0 + 1 yt + = r f rt + t + h C P. B a r a=n o w s k i , A . L eszczyska, G. Szafraski r 1 ' = I f


rt

xt mona i 1 xit F = XC Wynik taki = 1 N rwnie uzyska, minimalizujc iteracyjnie sum kwadratw reszt: =
PC

x i ,t = i ,1 f 1,t + ... + uri2,tf r=t (,xi ,ft Rt u i ,ti ,;r , p i f=PC ,..., 2 . ; t = 1,..., T 1 N r ,t p 1 ) i, , ... + i R , +
T T N P t =1 t =1 i =1 =1 X = F' + pU

(10)

Metoda PCTw )dynamicznej PC F( R f i ,tanalizie czynnikowej jest stosowana ze wzgldu na prostot obliczeniow i jest rwnowana metodzie najwikszej wiarygodnoci, gdy skadniki idiosynkratyczR ( normalny. Ponadto ma ona dobrze P ne maj rozkadNR ) poznane wasnoci asymptotyczne przy dosy yt + h = 0 + 1 yt + r , p f rPC p +1 + t + h ,t 11 oglnych zaoeniach nakadanych na skadnikirlosowe (por. Stock, Watson 1998). Z drugiej strony =1 p =1 U (T N ) jest to metoda statyczna i nie uwzgldnia faktu, e w statycznym modelu czynniki idiosynkratyczne maj struktur autoregresyjn. Jednak w modelu ze sab korelacj skadnikw idiosynkratyczX = F 'F' + nych (przybliony DFM), gdy N, T , estymator wsplnych czynnikw wg metody PC jest zgodny, jeeli predyktory s sabostacjonarne por. Stock, Watson (2002a) i Bai, Ng (2002). I Do pozostaych popularnych metod estymacji modeli DFM dla duych zbiorw danych naleR P metody oparte 0 + 1 yt + yt + h = na: r , p f r , t p 1 + t + h r =1 p =1 analizie gwnych skadowych ze spektraln estymacj rzdu opnie, ktra pozwala uzyska jak najlepszy stosunek sygnau do szumu (Forni i in. 2000), xi , t = i ,1 ( L) f1, t + ... + i , R ( L) f R ,t + ui , t maksymalizacji funkcji wiarygodnoci z wykorzystaniem modeli przestrzeni stanw i filtru Kalmana por. Doz i in. (2006a; 2006b), Kapetanios, Marcellino (2003). f r , t +1 = A( L) f r , t + r ,t , W przegldowych pracach (Boivin, Ng 2005, Breitung, Eickmeier 2006) wskazuje si, e rnice midzy prognozami wykorzystujcymi wsplne czynniki uzyskane rnymi metodami estymacji R ( S + 1) s nieznaczne. Dlatego w opracowaniu odnosimy si przede wszystkim do wynikw uzyskanych metod gwnych skadowych (PC), cho prezentujemy rwnie wyniki uzyskane metodami najPC F PC = [ fr,t ] wikszej wiarygodnoci T R (MNW) i MNW z filtrem Kalmana za pomoc procedur do pakietu Matlab pochodzcych z Doz i in. (2006a; 2006b).

= [ i,r] N R

X 2.3. Prognozowanie

= 1 NT XX'

Prognozowanie na podstawie modelu DFM mona przeprowadzi na wiele sposobw (zob. Boivin, PC PC Ng 2005): CDC' = F 'F ' 1. Iteracyjnie, prognozujc wsplne czynniki na podstawie rwnania (7), co jest utrudnione, X gdy z gry nie znamy ich liczby ani rzdu ich opnie. 2. Prognozujc predyktory (skadniki macierzy X) na podstawie algorytmu maksymalizacji =C oczekiwa (ang. expectation maximization, EM) (por. Stock, Watson 2002b) i dopiero na ich pod ' = I stawie konstruujc wsplne czynniki, co jest alternatywnym sposobem uwzgldniania opnie publikacyjnych. F PC = XC 3. Stosujc dla h 2 dwustopniow procedur Stocka i Watsona (Stock, Watson 2002b) i bezpoT T N P redni metod prognozowania (ang. direct PC forecasting). ui2,t = ( xi , t i , r , p f r ,t p 1 )2 . W niniejszym opracowaniu ta1 ostatnia metoda zostaa wykorzystana jako metoda podstawot =1 t =1 i =1 p= wa dla modeli czynnikowych. Na pierwszym etapie dokonujemy statycznej estymacji wsplnych PC czynnikw f i ,t z rwnania (3) lub dynamicznej z rwnania (6), a na drugim etapie opracowujemy prognoz inflacji (tj. zmiennejPspoza zbioru X) za pomoc nastpujcego modelu prognostyczR nego (tzw. diffusion index yt + yt + h = 0 + 1 model): r , p f rPC p +1 + t + h ,t

C' C = I R

r =1 p =1

11

F PC = XC
ui2,t = ( xi i , r , p f r ,tinflacji Krtkookresowe,t prognozowaniePC p 1 )2 . ...
T T N P t =1 t =1 i =1 p =1

29

f i ,PC t

yt + h = 0 + 1 yt + r , p f rPC p +1 + t + h ,t
R P r =1 p =1

11

(11)

Jeeli chodzi o liczb wsplnych czynnikw i wybr rzdu ich opnie, to w wielu pracach empirycznych mona dostrzec, e bardzo oszczdny model zapewnia podane wasnoci prognostyczne. Przykadowo, Stock, Watson (2002b) i Wang (2009) notuj dobre wyniki prognoz w krtkich horyzontach ju dla modelu z jednym czynnikiem i jednym opnieniem. W literaturze mona spotka dwie grupy rozwiza problemu wyboru liczby czynnikw i opnie (Bai, Ng 2002). Po pierwsze, liczba czynnikw moe by ustalona arbitralnie, na takim poziomie, eby zmienno wsplnych czynnikw opisywaa co najmniej ustalon cz zmiennoci macierzy kowariancji predyktorw. Innym rozwizaniem jest skorzystanie z bardziej sformalizowanych metod, jak wybr czynnikw i opnie na podstawie zmodyfikowanych kryteriw informacyjnych (Bai, Ng 2002), czy testu istotnoci poszczeglnych opnie (Jacobs, Otter 2008; Onatski 2009). Obydwie metody daj liczb czynnikw i opnie optymaln z punktu widzenia opisu zmiennoci zbioru predyktorw (X). Z punktu widzenia rwnania prognostycznego (11) dla zmiennej moe to nie by optymalne rozwizanie, gdy zaley nam na dokadnym opisie zmiennoci, a nie caej macierzy X. W tym opracowaniu liczb wsplnych czynnikw i opnie dobieramy albo arbitralnie na niskim poziomie (R = 1, P = 1), albo posugujc si standardowymi kryteriami informacyjnymi (BIC) bezporednio w rwnaniu prognostycznym (11). Oddzielnym zagadnieniem jest wybr dugoci okna do wyznaczenia wsplnych czynnikw i estymacja parametrw modelu prognostycznego. W metodzie z rozszerzanym okresem estymacji (ang. expanding window) korzysta si z coraz duszej prby, a w metodzie rolowanej (ang. rolling window) ze staego okna estymacji. Druga z tych metod, stosowana w niniejszym opracowaniu, w prognozach poza prb jest bardziej odporna na zmiany strukturalne parametrw modelu prognostycznego. W badaniach empirycznych dla modeli DFM daje ona lepsze wyniki prognoz (por. Breitung, Eickmeier 2006). Wan kwesti jest dobr zmiennych do modelu. W teorii wskazuje si, e wasnoci modelu DFM poprawiaj si wraz ze wzrostem liczby zmiennych wchodzcych w jego skad (estymator jest N-zgodny). Jednake Boivin, Ng (2006), na podstawie eksperymentu Monte Carlo oraz przykadu empirycznego, wskazuj, e w przypadku gdy zmienne s silnie wspliniowe lub maj niewielkie wagi, dodanie nowych zmiennych do modelu DFM zwiksza bdy prognoz. Angelini i in. (2001) analizuj prognozy z trzech modeli DFM, do ktrych budowy uyto zmiennych charakteryzujcych odpowiednio: kategorie nominalne, realne oraz nominalne i realne jednoczenie. Rezultaty wskazuj, e aden z tych trzech modeli nie ma jednoznacznej przewagi nad pozostaymi.

3. Badanie empiryczne
Do badania wykorzystano 182 szeregi o czstotliwoci miesicznej za okres od stycznia 1999 r. do wrzenia grudnia8 2009 r. Zbir danych obejmuje takie grupy zmiennych, jak: wskaniki koniunktury, handel zagraniczny, kursy walut, rynek pieniny i obligacje, indeksy giedowe, poda pienidza, rezerwa obowizkowa, bilans skonsolidowany MIF, indeksy cen PPI, produkcja
8

Rnica wynika z opnie publikacyjnych poszczeglnych szeregw.

30

P. B a r a n o w s k i , A . L eszczyska, G. Szafraski

sprzedana przemysu i budowlano-montaowa, rynek pracy, finanse publiczne, ceny surowcw na rynkach wiatowych, ceny paliw, ceny podw rolnych i komponenty CPI (szczegowy wykaz w Aneksie A). W lad za wikszoci dotychczasowych bada do konstrukcji wsplnych czynnikw wykorzystujemy dane oczyszczone z sezonowoci metod TRAMO/SEATS. Mimo to uprzednie pozbawienie danych sezonowoci moe budzi pewne wtpliwoci. Naszym zdaniem wany argument na rzecz odsezonowywania wynika z metod wyznaczania wsplnych czynnikw. Metody te dziaaj bowiem w ten sposb, e wybieraj dominujcy w zbiorze danych wzorzec zmiennoci. W przypadku zastosowania danych zawierajcych sezonowo otrzymane wsplne czynniki bd zdeterminowane gwnie przez wsplny dla wikszoci predyktorw wzorzec sezonowoci, ktry moe znacznie odbiega od wzorca sezonowoci indeksu inflacji9. W rezultacie ze wzgldu na ograniczon liczb wsplnych czynnikw (zasada oszczdnoci) mog nie zosta uchwycone wahania krtkookresowe, potencjalnie bardzo przydatne w prognozowaniu. Zmienne odsezonowane poddano nastpnie transformacjom, aby otrzyma szeregi stacjonarne. Przed przystpieniem do wyznaczenia wsplnych czynnikw predyktory zostay tak wystandaryzowane, aby miay jednostkow wariancj. Do wyznaczenia prognoz korzystamy z danych dostpnych 15. dnia kadego miesica. Problem opnie w publikacji danych statystycznych rozwizano, umieszczajc w bazie kad obserwacj w terminie jej publikacji10. Przykadowo, 15 grudnia produkcja sprzedana dostpna jest za padziernik, inflacja i jej komponenty za listopad, a dane publikowane z czstotliwoci dzienn (np. kursy walut) za pierwsz poow grudnia. W zwizku z tym opnienie publikacji wedug stanu na poow miesica wynosi dwa miesice dla produkcji sprzedanej, jeden miesic dla inflacji oraz zero miesicy dla kursw walut (szczegy zawiera Aneks A). Eksperyment prognostyczny wykonano na acuchowych miesicznych indeksach cen konsumenta oraz inflacji bazowej. W celu oceny prognoz wygenerowano 24 prognozy poza prb (okres weryfikacji prognoz od grudnia 2007 do listopada 2009 r.). Prognozy DFM wyznaczono na h = 1, 2, , 12 miesicy naprzd, od okresu t (dla h = 1 prognoza dotyczy de facto biecego miesica), korzystajc z modeli prognostycznych (11) rozszerzonych o deterministyczn sezonowo:
R P 11 P 11 yR h = + yt + r 1 1 fPC + s R P 11 P yt + h = 0 + 1 yt + rtR+1 p =01 r, p 1ff,PC p + 1 + = 11p =j sr,j,pt + hr, t p + 1 j = 1 j j, t + h PC r t r p PC p + 1 j= + h 0 1 R ytt + h = 0 + 1 ytt + r==1 P = 1 r,, p ,,PC p + 1 + 11=11 jj s jj,, tt + h r p yt + h = 0 + 1 yt + r =1 p = 1 r, p f r, ttt p + 1 + jjj = 1 j s j, t + h r +h =1 r =1 p =1

(DFM+AR)

12 Prognozy te porwnano z modelamirrwzorcowymi: 1 + 12 ytrr h = y 1 rr j =1 t j +1 12 y rr rr 12 12 ytrrh = 1 rr j= ++ h 1 yttrr h = 12 12=11 ytttrr jjj++11 rr + 1 + (zwyka rednia) yt + h = 12 jjj = 1 yt j + 1 =1 12 + ytrr h = ytrr rr rr rr ytrrh = ytrr yttrr h = yttrr ++ (metoda naiwna, model random walk, RW) +h yt + h = ytrr 11 11 yt + h = 0 + 1 yt + j =1 j s j, t + h 11 yt + h = 0 + 1 yt + 11 1 j s j, t + h 1 j= +h ytt + h = 0 + 1 ytt + 11=1 jj s jj,, tt + h (model autoregresyjny pierwszego rzdu, AR) 0 yt + h = 0 + 1 yt + jjj =1 j s j, t + h +h =1 11 h y 11 = + wk + j =1 j s j, t + h 11 yt + h = 0 + 1wkt + t +11 1 j s0j, t + h 1 t (model wskanikw wyprzedzajcych, Lead) j= +h 0 1 ytt + h = 0 + 1wktt + 11=1 jj s jj,, tt + h y = + wk + jj =1 s + h

t+h

t t yt , yt ytt , yt 9 Z kolei yt przypadku, gdy predyktory bd niestacjonarne, dominujcym wzorcem zmiennoci bdzie trend. w yt , t ytrr ytrr 10 W tym opracowaniu indeks t, zwizany jest z dat, kiedy dane zostay opublikowane, a nie z okresem, ktrego doytrr, ytrr rr rr rr rr ttrr yttrr, Zytego powodu dzie miesica, w ktrym dane byy uaktualniane, ma wpyw na okrelenie wartoci tych tycz., y yt t fi ,t indeksw. fi ,t fii ,,tt f i ,t 0 , 1, r, p , j 0 ,,1,, r, p ,,j 0 1 r,, p jj 0 1 r p 0 , 1, r, p , j rr rr

, y y
j =1

j, t + h

r =1 p =1 j =1 12 rr ytrr h = ytrr + trr h = ytrr y+ y = y rr 12 1 tt++ h + 1 trr j + 1 11 ytrr+hh = t0 j1=yty+ 11 j s j, t + h j 12 + y + yt + h = 0 1 t 11=1 j s j, t + h j 31 0 t yrr+ h = rr + 1 yt + R=1 j sPj, tKrtkookresowe prognozowanie inflacji ... +h j =11 1 11 y = + wk R Ps r PC y yttt+++hhh = t00 + 11yt + + 11 pj = 1j,+, hp f,PC p + 1 + 11 1 j s j, t + h y = + y + r =1j =1 fr t + j = s yt + h = 0 + 1 wkt + r =1 ps1 t r, p r, t p + 1 j = 1 j j, t + h yt + h 0 1 t t 11=1 j = j, t + h = + wkt 11 = yt + h = 0 + 1y + + jj1 j s j, t + h yt + h 0 1 t j s j, t + h y gdzie:t+,h yt 1 12 ytrr j + 1 j =1 12 rr = ytrr, y 1 y t ytt+ h = 12 jj==11 ytrr j + 1 t rr12 indeks cen miesic do miesica (CPI lub inflacja bazowa) oraz jego prognoza, ytrr, y 11 yt+ y rr rr ytrr h, = t 0 + 1wkt + j =1 j s j, t + h rr , yy yrrh = trr trr indeks cen rok do roku (CPI lub inflacja bazowa) oraz jego prognoza, rr ytt+ t h y yt yt+ , =t wsplne czynniki wyznaczone metod gwnych skadowych, f 11 yi ,,t yt t yfti+,th = 0 + 1 yt + 11 1 j s j, t + hrzd opnie wsplnych czynnikw wykorzystanych w modelu R, P odpowiednio: j liczba i , yti+t h = 0 + 1 yt + j==1 j s j, t + h f rr rr yt 0,, 1t,prognostycznym, y r, p , j 0 p wkt, 1, r,+ , jwk + 11 wskanik koniunktury (oglna sytuacja ekonomiczna w handlu)11, yt + h wybrany ankietowy j s j, t + h = t 0 , =,00r, +,11wktt + 11 1 j s j, t + h j= y+ f sirr =1 y rr (py j /y ) j =1 trr h t +1 t 11 yj,t,+t 1 deterministyczne zmienne sezonowe (przyjmujce warto 1 w miesicu j i 0 w pozostat + ytrr yt +1 /yt 11 ) ytrr,1 yych (okresach), yt = y rr ( y /y ) t y+1 = yt trr, yt t h t +1 t 11 = t oszacowania (MNK) parametrw strukturalnych poszczeglnych modeli pro t0+,11, ri,=p1,yj+ i hj =1 yt j +1 y h rr y rr h ytrr,1 =trr ih=1 y t + i hj =1 yt j +1 rr + gnostycznych. tt , y rr yrr+1 = t i =1 y t + i j =1 yt j +1 +1 = yt ( ymodele) estymowano rekursywnie w staym oknie estymacji (ang. rolling sample). t +1 /yt 11 Wszystkie yt f H,t0 : MSE estymacji wynosi, Dugo okna DFM = MSEWZORC w zalenoci od horyzontu prognozy, od 92 do 103 miesicy. fi t Hi ,0 : MSE DFM = hMSEWZORC H+0 MSE DFM 1 yt jWZORC ytrr11 wyznaczone =prognozy ih= y t + = Tak::=MSE1DFM i jMSEWZORC inflacji miesicznej posuyy nastpnie do wyznaczenia prognoz in+1 H01,:MSEp , j MSEWZORC , , DFM rok 1do rroku. Zastosowano dwie metody annualizacji w zalenoci od horyzontu prognozy12: , MSE flacji 0 , 1, r, DFMj H 1 : MSE p WZORC MSE DFM , MSEWZORC rr : MSEMSE= MSE rr, MSE= y (DFM /y ) WZORC Hrr DFM WZORC yt +01 MSE= yttrr, ( ytt++11 /WZORC dla h = 1 y DFM MSE yt 11 ) y Ht01:: MSE DFMtMSEWZORC H +1 MSE DFM 11 MSEi H 0 : MSE DFM h MSEi h rr = MSE i MSE y 0+:1 MSE +DFM j> yt j +1 dla h 2. Ht1rr: ih 1 y tDFM h=1 MSEi i : = MSE yt +1 i==1 y t + i >1MSE1 j= y H1 DFM MSE DFM , MSEWZORC t j + i H 1 : MSE DFM > MSEi MSE DFM , MSE i MSE DFM , MSE i= MSE H : MSE DFM H 0 0 :: MSE DFM MSEWZORC i H MSE DFM MSE DFM , MSE i= MSEWZORC 4. Wyniki DFMLead,MSE iH :0:AR,MSE > rednia = MSE , RW MSEWZORC H=1 : MSE , DFM MSE i 1 iH 1 AR, RW Lead, rednia DFM WZORC i = AR, RW, Lead, rednia Wyniki DFM ,,MSE iWZORC MSE DFM MSE MSE porwna modeli DFM i modeli wzorcowych prezentujemy dla 24-miesicznego okreMSE DFM , MSEWZORC

j =1

su weryfikacji w dwch ukadach: oddzielnie dla biecego monitoringu (h = 1) i dla prognoz na i = :AR MSE DFM , MSEi h > H 0W , RW, Lead rednia 1. : MSE przedstawiamy take wyniki dla krtszego, 12-miesicznego okresu weryfikaH 0 aneksach MSEi DFM H 1 MSE DFM do listopada 2009 r.). W celu czytelnego przedstawienia wynikw wybr specji (od :grudnia 2008> MSEi H 1 : MSE DFM > MSEi cyfikacji modeli DFM ograniczono gwnie do prostych modeli z jednym opnieniem i jednym MSE DFM Podobne rezultaty mona uzyska dla modelu z wiksz liczb wsplnych czynniczynnikiem.,, MSE ii MSE DFM MSE kw13. Spord tych modeli prezentujemy tylko model z liczb wsplnych czynnikw okrelan i = AR, RW, Lead, rednia i = AR, RW, Lead, kryterium informacyjnego Schwarza (BIC). Porwnanie modeli oparte byo na podstawie wskaza rednia na syntetycznych miarach bdw prognoz poza prb RMSE, MAE i ME. Ponadto dla horyzontu jednomiesicznego (niewymagajcego skadania prognoz pochodzcych z rnych modeli) prezentujemy dodatkowo wyniki estymacji modelu DFM z uyciem bardziej zaawansowanych obliczeniowo metod filtru Kalmana (Doz i in. 2006b) i metody quasi-najwikszej wiarygodnoci (Doz i in. 2006a).

11

Wybr wskanika wyprzedzajcego wynika ze wstpnych analiz bdw prognoz RMSE w przyjtym 24-miesicznym okresie weryfikacji. Wyboru dokonano spord wielu rozwaanych zmiennych (ankietowe wskaniki koniunktury, zmienne z rynku finansowego, indeks cen produkcji sprzedanej przemysu). 12 Ze wzgldu na coroczn rewizj wag indeksu CPI oraz sposb obliczania inflacji rocznej przez GUS agregacja czasowa obarczona jest bdami (sigajcymi w zalenoci od miesica i horyzontu nawet powyej 0,1 pkt proc.). Zastosowane metody gwarantuj, e bdy agregacji bd stosunkowo niskie, przy zachowaniu prostoty oblicze. 13 Dla ilustracji: pierwszy czynnik odpowiada za nieco ponad 11% zmiennoci predyktorw w caym badanym okresie, a pierwszych pi czynnikw za okoo 35% tej zmiennoci.

32

P. B a r a n o w s k i , A . L eszczyska, G. Szafraski

Tabela 1 Bdy prognoz h = 1 (biecy monitoring) inflacja CPI (pkt proc.) Model AR RW Lead Zwyka rednia DFM_PC DFM_PC DFM_Kal DFM_Doz Liczba czynnikw 5 cz. 1 cz. 1 cz. 1 cz. Ranking (RMSE) 3 6 5 7 4 3 2 1 RMSE 0,250 0,294 0,276 0,937 0,251 0,250 0,246 0,245 MAE 0,181 0,253 0,216 0,776 0,186 0,177 0,177 0,179 ME 0,036 -0,009 0,093 0,264 -0,033 0,033 0,019 0,009

Uwaga: sufiksy _PC, _Kal, _Doz oznaczaj metod wyznaczania wsplnych czynnikw odpowiednio gwnych skadowych, filtr Kalmana oraz metod quasi-najwikszej wiarygodnoci. Wszystkie modele dla rzdu opnie P = 1.

Wyniki zaprezentowane w tabeli 1 wskazuj, e: spord porwnywanych modeli wzorcowych najnisze bdy uzyskuje si za pomoc modelu autoregresyjnego, prognoza za pomoc modeli DFM jest porwnywalna (w sensie RMSE) z najlepsz metod wzorcow, wybr metody estymacji nie ma istotnego wpywu na wasnoci prognostyczne modelu DFM. W tabeli 2 przedstawiamy analogiczne rezultaty dla inflacji bazowej z wyczeniem cen energii i ywnoci. Wyniki dla inflacji bazowej (tabela 2) wskazuj, e: spord metod wzorcowych najnisze miary bdw uzyskuje si, stosujc model autoregresyjny (AR),
Tabela 1 Bdy prognoz h = 1 inflacja bazowa z wyczeniem cen energii i ywnoci (pkt proc.) Model AR RW Lead Zwyka rednia DFM_PC DFM_PC DFM_Kal DFM_Doz Liczba czynnikw 4 1 1 1 Ranking (RMSE) 5 7 6 8 2 4 3 1 RMSE 0,161 0,213 0,181 0,604 0,149 0,154 0,150 0,145 MAE 0,131 0,152 0,135 0,487 0,117 0,125 0,121 0,117 ME 0,068 0,071 0,060 0,473 -0,018 0,018 0,007 0,002

Krtkookresowe prognozowanie inflacji ...

33

prognozy za pomoc modeli DFM s lepsze o okoo 5% (pod wzgldem RMSE) od najlepszych modeli wzorcowych, wybr metody estymacji nie ma znacznego wpywu na wasnoci prognostyczne modelu DFM. Dla inflacji CPI po skrceniu okresu weryfikacji do 12 miesicy otrzymano podobny ranking, a dla inflacji bazowej przewaga modeli czynnikowych zmniejszya si na korzy modelu wskanikw wyprzedzajcych (zob. Aneks B). W tabelach 3 i 4 prezentujemy szczegowe wyniki ograniczone ze wzgldu na przejrzysto pracy do wybranych horyzontw prognoz, tj. h = 2, 3, 6, 9, 12 miesicy. Ponadto dla najlepszych prognoz DFM i prognoz wzorcowych bdy RMSE dla wszystkich horyzontw do h = 12 przedstawiono na wykresach. Poniewa w eksperymentach dla h = 1 wybr metody liczenia wsplnych czynnikw nie wpywa istotnie na wielko bdw prognoz, prezentowane s wycznie modele DFM szacowane metod gwnych skadowych14. Wyniki zaprezentowane na wykresie 1 i w tabeli 3 wskazuj, e: DFM jest porwnywalna (pod wzgldem RMSE) z najlepszymi modelami wzorcowymi (tj. modelem AR i LEAD) dla horyzontw h < 6, Zastosowanie modeli DFM pozwala ograniczy bdy prognoz RMSE dla h 6 horyzontw naprzd (od 5% dla h = 10 do 30% dla h = 12), w porwnaniu z analizowanymi modelami wzorcowymi.

Tabela 3

Bdy prognoz h = 2, 3, 6, 9, 12 inflacja CPI (pkt proc.) Prognozy Horyzont prognoz RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME zwyka AR 0,450 0,337 -0,033 0,548 0,399 0,066 0,935 0,802 0,559 1,161 0,995 0,951 1,572 1,378 1,378 RW 0,506 0,406 -0,003 0,717 0,559 0,044 1,105 0,894 0,227 1,301 1,078 0,399 1,647 1,420 0,591 Lead 0,466 0,357 0,067 0,604 0,486 0,220 0,962 0,847 0,729 1,110 0,992 0,992 1,280 1,141 0,911 rednia 1,054 0,890 0,322 1,162 0,992 0,390 1,417 1,202 0,629 1,676 1,364 0,938 1,937 1,587 1,315 DFM_PC (1 czynnik, 1 opnienie) 0,452 0,340 -0,056 0,566 0,430 0,041 0,948 0,841 0,534 1,343 1,203 1,127 1,832 1,695 1,695 DFM_PC (3 czynniki, 1 opnienie) 0,479 0,395 -0,195 0,597 0,490 -0,192 0,892 0,733 -0,033 1,038 0,896 0,202 0,989 0,819 0,339

h=2 h=3 h=6 h=9 h = 12

14

Wczeniej podobne rezultaty otrzymali Breitung, Eickmeier (2006).

34

P. B a r a n o w s k i , A . L eszczyska, G. Szafraski

Wykres 1 Bdy RMSE dla wybranych metod prognozowania inflacji CPI

2,0 1,8 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 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 (3,1)*

Liczba czynnikw i ich opnie w modelu DFM przedstawiana jest w nawiasie.

Tabela 4 Bdy prognoz h = 2, 3, 6, 9, 12 inflacja bazowa (pkt proc.) Prognozy Horyzont prognoz AR RW Lead Zwyka rednia DFM_PC (1 czynnik, 1 opnienie) 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 0,189 0,153 0,004 0,228 0,184 0,089 0,508 0,427 0,357 0,764 0,427 0,357 1,173 0,958 0,880 0,341 0,273 0,152 0,456 0,393 0,236 0,677 0,583 0,452 0,883 0,654 0,635 1,048 0,869 0,851 0,202 0,128 -0,026 0,299 0,153 0,030 0,626 0,291 0,179 0,920 0,492 0,279 1,352 0,630 0,392 0,680 0,548 0,546 0,753 0,621 0,621 0,955 0,858 0,858 1,189 1,120 1,120 1,447 1,403 1,403 0,219 0,164 -0,110 0,234 0,164 -0,079 0,293 0,244 -0,023 0,349 0,275 0,113 0,607 0,515 0,415 DFM_PC (3 czynniki, 1 opnienie) 0,313 0,263 -0,192 0,379 0,320 -0,225 0,513 0,459 -0,402 0,504 0,425 -0,352 0,450 0,362 -0,194

Krtkookresowe prognozowanie inflacji ...

35

Wykres 2 Bdy RMSE dla wybranych metod prognozowania inflacji bazowej

2,0 1,8 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 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 (1,1)*

Liczba czynnikw i ich opnie w modelu DFM przedstawiana jest w nawiasie.

Spord pozostaych metod prognozowania dla h = 2 najnisze bdy zapewnia model autoregresyjny, a dla duszych model wskanikw wyprzedzajcych. W krtszym okresie weryfikacji (od grudnia 2008 do listopada 2009 r.), w ktrym wystpia gwatowna zmiana tendencji inflacyjnych, stosunkowo dobre wyniki prognoz uzyskiwano za pomoc zwykej redniej, a modele DFM zdobyway przewag jedynie w duszych horyzontach (por. tabela 4 w Aneksie C). W tabeli 4 prezentujemy rezultaty dla inflacji bazowej z wyczeniem cen energii i ywnoci. Wyniki dla inflacji bazowej (tabela 4 i wykres 2) wskazuj, e: Dla h = 2, 3 modele DFM s nieznacznie gorsze od najlepszych metod wzorcowych (tj. modeli AR i LEAD), Dla h > 3 modele DFM s co najmniej porwnywalne z najlepszymi prognozami wzorcowymi, a ich przewaga zwiksza si wraz z horyzontem prognozy (bd RMSE modelu DFM z jednym czynnikiem stanowi rednio okoo 50% bdu uzyskanego dla najlepszego modelu wzorcowego)15. Dodatkowo podjto dalsze prby zmniejszenia bdu prognoz przez wyczanie z bazy danych modelu DFM: (1) zmiennych o najniszych adunkach, (2) zmiennych najsabiej skorelowanych (bieco i z opnieniem) ze zmienn prognozowan i (3) poszczeglnych grup zmiennych uporzdkowanych tematycznie. Zabiegi te nie wpyway istotnie na uzyskiwane bdy prognoz. Przewaga dokadnoci prognoz otrzymanych za pomoc modelu DFM nad prognozami z modeli porwnawczych znajduje take potwierdzenie w innych badaniach tego typu. Przykadem takiego badania jest artyku Kotowskiego (2008), w ktrym statystycznie istotna przewaga modeli DFM w prognozowaniu inflacji w Polsce zostaa potwierdzona w krtkich horyzontach (obejmujcych
15

Nie udao si tej przewagi potwierdzi w krtszym okresie weryfikacji por. tabela 5 w Aneksie C.

36

P. B a r a n o w s k i , A . L eszczyska, G. Szafraski

1 miesic i 3 miesice). Wykorzystany model czynnikowy zbudowany by na bazie 92 zmiennych, a w rwnaniu prognostycznym wykorzystano dwa wsplne czynniki z jednym opnieniem. Rol modeli wzorcowych w tym przypadku odegray modele: autoregresyjny pierwszego rzdu, wskanikw wyprzedzajcych i prosty model VAR.

5. Podsumowanie
W opracowaniu podjto prb zastosowania dynamicznych modeli czynnikowych (DFM) do prognozowania inflacji w Polsce. Na podstawie danych statystycznych obejmujcych szeregi miesiczne dostpne na 15. dzie miesica sporzdzono prognozy inflacji publikowanej w biecym miesicu (ang. nowcasting), a take na kolejne miesice (do 12 miesicy naprzd). Otrzymane rezultaty mona podsumowa nastpujco. 1. Prognozy inflacji CPI uzyskane za pomoc modelu DFM dla krtszych horyzontw (h < 6) s porwnywalne z najlepszymi prognozami wzorcowymi. Dla duszych horyzontw charakteryzuj si mniejszymi bdami RMSE (w najduszym rozwaanym horyzoncie s o okoo 30% nisze od modeli wzorcowych)16, 2. Prognozy inflacji bazowej (z wyczeniem cen ywnoci i energii) z wykorzystaniem DFM w podstawowym okresie weryfikacji byy dla horyzontw h > 3 porwnywalne z wynikami uzyskanymi za pomoc konkurencyjnych metod lub lepsze. Przewaga ta nie zostaa potwierdzona w krtszym okresie weryfikacji. Zaprezentowane w pracy wyniki dla modeli DFM pozwalaj sdzi, e efektywne korzystanie z duego zbioru danych moe obniy bdy prognoz inflacji poza prb, szczeglnie dla duszych horyzontw prognozy. Podobne wyniki uzyskano we wczeniejszych badaniach (np. Kapetanios i in. 2008; Berger, Stavrev 2008). Przedmiotem dalszych bada autorw bdzie analiza czynnikowa z uyciem zmiennych, wybieranych na podstawie ich zwizku statystycznego ze zmienn prognozowan (Bai, Ng 2008). Pogbiona analiza tej klasy modeli moe umoliwi ekonomiczn identyfikacj rde inflacji oraz pomc w poprawie jakoci prognoz wykorzystujcych modele czynnikowe.

Bibliografia
Altissimo F., Bassanetti A., Cristadoro R., Forni M., Hallin M., Lippi M., Reichlin L., Giannoni V. (2001), EuroCOIN: A Real Time Coincident Indicator of the Euro Area Business Cycle, CEPR Discussion Papers, 3108. Angelini E., Babura M., Runstler G. (2008), Estimating and Forecasting the Euro Area Monthly National Accounts From a Dynamic Factor Model, ECB Working Paper, 953. Angelini E., Henry J., Mestre, R. (2001), Diffusion Index-based Inflation Forecasts for the Euro Area, ECB Working Paper, 061.
16

Wyniki testu statystycznego Harveya (Harvey i in. 1997) oraz testu SPA (Hansen 2005) por. Aneks D wskazuj, e przewaga modelu DFM nie jest istotna statystycznie. Ze wzgldu na stosunkowo krtk prb przy interpretacji wynikw tych testw naley jednak zachowa ostrono.

Krtkookresowe prognozowanie inflacji ...

37

Arratibel O., Kamps C., Leiner-Killinger N. (2009), Inflation Forecasting in the New EU Member States, ECB Working Paper, 1015. Aruoba B., Diebold F., Scotti C. (2008), Real-Time Measurement of Business Conditions, NBER Working Paper, 14349. Bai J., Ng S. (2002), Determining the Number of Factors in Approximate Factor Models, Econometrica, 70 (1), 191221. Bai J., Ng S. (2008), Forecasting Economic Time Series Using Targeted Predictors, Journal of Econometrics, 146 (2), 304317. Banerjee A., Marcellino M., Masten I. (2005), Leading Indicators for Euro-area Inflation and GDP Growth, Oxford Bulletin of Economics and Statistics, 67 (supplement). Berger H., Stavrev E. (2008), The Information Content of Money in Forecasting Euro Area Inflation, IMF Working Paper, 08/166. Bernanke B.S., Boivin J. (2003), Monetary Policy in a Data-rich Environment, Journal of Monetary Economics, 50 (3), 525546. Bernanke B.S., Boivin J., Eliasz P. (2005), Measuring the Effects of Monetary Policy: A FactorAugmented Vector Autoregressive (FAVAR) Approach, Quarterly Journal of Economics, 120 (1), 387422. Boivin J., Giannoni M.P. (2006), Has Monetary Policy Become More Effective? Review of Economics and Statistics, 88 (3), 445462. Boivin J., Ng S. (2005), Understanding and Comparing Factor-Based Forecasts, International Journal of Central Banking, 1 (3), 117151. Boivin J., Ng S. (2006), Are More Data Always Better for Factor Analysis? Journal of Econometrics, 132 (1), 169194. Breitung J., Eickmeier S. (2006), Dynamic Factor Models, AStA Advances in Statistical Analysis, 90 (1), 2742. Brzoza-Brzezina M., Kotowski J. (2009), Bezwzgldna stopa inflacji w gospodarce polskiej, Gospodarka Narodowa, 20 (9), 121. Chamberlain, G., Rothschild, M. (1983), Arbitrage Factor Structure, and Mean-variance Analysis of Large Asset Markets, Econometrica, 51 (5), 12811304. Cristadoro R., M. Forni, L. Reichlin, G. Veronese (2005), A Core Inflation Indicator for the Euro Area. Journal of Money, Credit and Banking, 37 (3), 539560. Del Negro M., Otrok C. (2007), 99 Luftballons: Monetary Policy and the House Price Boom Across U.S. States, Journal of Monetary Economics, 54 (7), 19621985. Doz C., Giannone D., Reichlin L. (2006a), A Quasi Maximum Likelihood Approach for Large Approximate Dynamic Factor Models, ECB Working Paper, 674. Doz C., Giannone D., Reichlin L. (2006b), A Two-step Estimator for Large Approximate Dynamic Factor Models Based on Kalman Filtering. THEMA Working Papers, 23. Forni M., Hallin M., Lippi M., Reichlin L. (2000), The Generalized DynamicFactor Model: Identification and Estimation, The Review of Economics and Statistics, 82 (4), 540554. Forni M., Lippi M. (1997), Aggregation and the Microfoundations of Dynamic Macroeconomics, Oxford University Press, New York. Forni M., Reichlin L. (1998), Lets Get Real: A Factor Analytical Approach to Disaggregated Business Cycle Dynamics, The Review of Economic Studies, 65 (3), 453473.

38

P. B a r a n o w s k i , A . L eszczyska, G. Szafraski

Gavin W.T., Kliesen K.L. (2006), Forecasting Inflation and Output: Comparing Data-rich Models with Simple Rules,. Federal Reserve Bank of St. Louis Working Papers, 054. Giannone D., Reichlin L., Small D. (2008), Nowcasting: The Realtime Informational Content of Macroeconomic Data, Journal of Monetary Economics, 55 (4), 665676. Gosselin M., Tkacz G. (2010), Using Dynamic Factor Models to Forecast Canadian Inflation: the Role of US Variables, Applied Economic Letters, 17 (1), 1518. Hansen P.R. (2005), A Test for Superior Predictive Ability, Journal of Business and Economic Statistics, 23 (4), 365380. Harvey D., Leybourne S., Newbold P. (1997), Testing the Equality of Prediction Mean Squared Errors, International Journal of Forecasting, 13 (2), 281291. Jacobs J., Otter P. (2008), Determining the Number of Factors and Lag Order in Dynamic Factor Models: A Minimum Entropy Approach, Econometric Reviews, 27 (46), 385397. Kapetanios G., Labhard V., Price S. (2008), Forecast Combination and the Bank of Englands Suite of Statistical Forecasting Models, Economic Modelling, 25 (4), 772792. Kapetanios G., Marcellino M. (2003), A Comparison of Estimation Methods for Dynamic Factor Models of Large Dimensions, University of London Queen Mary Economics Working Paper, 489. Kotowski J. (2008), Forecasting Inflation with Dynamic Factor Model the Case of Poland, Warsaw School of Economics Working Paper, 24. Marcellino M. (2004), Forecast Pooling for European Macroeconomic Variables, Oxford Bulletin of Economics and Statistics, 66 (1), 91112. Marcellino M., Stock J.H., Watson M.W. (2003), Macroeconomic Forecasting in the Euro Area: Country Specific versus Area-Wide Information, European Economic Review, 47 (1), 118. Onatski A. (2009), Testing Hypotheses about the Number of Factors in Large Factor Models, Econometrica, 77 (5), 14471479. Rencher A.C. (2002): Methods of Multivariate Analysis, John Wiley, New York. Schumacher C. (2007), Forecasting German GDP Using Alternative Factor Models Based on Large Datasets, Journal of Forecasting, 26 (4), 271302. Stock J.H., Watson M.W. (1998), Diffusion Indexes, NBER Working Paper, 6702. Stock J.H., Watson M.W. (1999), Forecasting Inflation, Journal of Monetary Economics, 44 (2), 293335. Stock J.H., Watson M.W. (2002a), Forecasting Using Principal Components From a Large Number of Predictors, Journal of the American Statistical Association, 97 (460), 11671179. Stock J.H., Watson M.W. (2002b), Macroeconomic Forecasting Using Diffusion Indexes, Journal of Business and Economic Statistics, 20 (2), 147162. Stock J.H., Watson M.W., (2006), Forecasting with Many Predictors, w: C. Granger, A. Timmermann, G. Elliott, Handbook of Economic Forecasting, Volume 1, Chapter 10. Elsevier, Amsterdam Wang M.C., (2009), Comparing the DSGE Model with the Factor Model: an Out-of-sample Forecasting Experiment, Journal of Forecasting, 28 (2), 167-182. Watson M.W., Stock J.H. (2004), Combination Forecasts of Output Growth in a Seven-country Data Set, Journal of Forecasting, 23 (6), 405430.

Krtkookresowe prognozowanie inflacji ...

39

Aneks A. Wykorzystane dane statystyczne17


Tabela 1 Wykorzystane dane statystyczne (grupy zmiennych) Nazwa grupy Badania koniunktury (handel) Badania koniunktury (przemys) Badania koniunktury (budownictwo) Handel zagraniczny Kursy walut Rynek pieniny i obligacje Indeksy giedowe Poda pienidza Rezerwa obowizkowa Bilans skonsolidowany monetarnych instytucji finansowych Indeksy cen PPI Pozostae wskaniki gospodarcze Rynek pracy Finanse publiczne Ceny surowcw Ceny paliw Ceny podw rolnych Indeksy cen CPI Ilo 11 11 12 13 4 8 8 6 3 11 9 10 8 4 15 3 6 40 Dostosowanie sezonowe Tak, addytywnie Tak, addytywnie Tak, addytywnie Rnie Nie Nie Nie Tak, multiplikatywnie Tak, multiplikatywnie Tak, multiplikatywnie Tak, addytywnie Tak, rnie Tak, rnie Tak, multiplikatywnie Nie Nie Tak, multiplikatywnie Tak, multiplikatywnie Transformacja ln lub ln ln ln ln ln Brak ln lub ln lub ln ln ln ln Brak Opnienie publikacyjne 1 miesic 1 miesic 1 miesic 3 miesice +0,5 miesica +0,5 miesica +0,5 miesica 2 miesice 3 miesice 2 miesice 2 miesice 2 miesice 2 miesice 2 miesice 1 miesic +0,5 miesica +0,5 miesica 1 miesic

17

Ze wzgldu na znaczne rozmiary zacznika szczegy dotyczce zastosowanych danych statystycznych udostpnimy na yczenie w takim przypadku prosimy o kontakt mailowy z autorami.

40

P. B a r a n o w s k i , A . L eszczyska, G. Szafraski

Aneks B. Bdy prognoz dla 12-miesicznego okresu weryfikacji


Tabela 2 Bdy prognoz h = 1 (nowcasting) inflacja CPI (pkt proc.) Posta DFM (liczba czynnikw) 5 1 1 1 Ranking (RMSE) 4 5 6 8 7 3 2 1

Model AR RW Lead Zwyka rednia DFM_PC DFM_PC DFM_Kal DFM_Doz

RMSE 0,297 0,315 0,316 0,604 0,317 0,292 0,290 0,289

MAE 0,229 0,278 0,259 0,468 0,221 0,232 0,234 0,235

ME 0,035 -0,033 0,041 -0,468 0,102 0,007 -0,005 0,000

Tabela 3 Bdy prognoz h = 1 inflacja bazowa z wyczeniem cen ywnoci i energii (pkt proc.) Model AR RW Lead Zwyka rednia DFM_PC DFM_PC DFM_Kal DFM_Doz Posta DFM (liczba czynnikw) 1 czynnik, 2 opnienia 1 1 1 Ranking (RMSE) 3 5 1 7 6 5 4 2 RMSE 0,182 0,212 0,165 0,235 0,221 0,212 0,209 0,180 MAE 0,145 0,149 0,127 0,186 0,146 0,143 0,138 0,122 ME 0,045 -0,012 0,033 0,159 -0,031 -0,014 -0,024 -0,015

Krtkookresowe prognozowanie inflacji ...

41

Aneks C. Bdy prognoz dla 12-miesicznego okresu weryfikacji


Tabela 4 Bdy prognoz h = 2, 3, 6, 9, 12 inflacja CPI (pkt proc.) okres weryfikacji 12 miesicy Prognozy Horyzont prognoz RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME AR 0,543 0,439 -0,164 0,653 0,505 -0,092 0,885 0,803 0,209 0,898 0,785 0,493 0,861 0,726 0,516 RW 0,521 0,389 -0,124 0,673 0,514 -0,213 0,922 0,723 -0,501 0,797 0,675 -0,607 0,904 0,829 -0,829 Lead 0,524 0,425 -0,140 0,613 0,479 -0,052 0,783 0,679 0,309 0,763 0,683 0,575 0,918 0,845 0,245 Zwyka rednia 0,649 0,533 -0,533 0,671 0,582 -0,582 0,608 0,573 -0,573 0,564 0,488 -0,365 0,643 0,544 0,000 DFM_PC (1 czynnik, 1 opnienie) 0,539 0,459 -0,260 0,643 0,536 -0,279 0,777 0,656 -0,250 0,783 0,655 -0,236 0,435 0,324 -0,086 DFM_PC (3 czynniki, 1 opnienie) 0,527 0,437 -0,141 0,703 0,571 -0,134 0,943 0,794 -0,108 0,882 0,743 -0,146 0,948 0,797 -0,450

h=2 h=3 h=6 h=9 h = 12

Tabela 5 Bdy prognoz h = 2, 4, 6, 8, 12 inflacja bazowa (pkt proc.) Prognozy Horyzont prognoz RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME RMSE MAE ME AR 0,216 0,181 -0,057 0,239 0,181 -0,057 0,390 0,291 0,201 0,678 0,564 0,420 0,709 0,546 0,497 RW 0,300 0,228 -0,014 0,358 0,296 -0,017 0,400 0,334 0,108 0,393 0,293 0,256 0,641 0,513 0,478 Lead 0,171 0,139 -0,077 0,154 0,107 -0,011 0,329 0,286 -0,272 0,620 0,565 0,539 0,715 0,643 0,525 Zwyka rednia 0,284 0,216 0,212 0,349 0,280 0,280 0,612 0,553 0,553 0,897 0,847 0,847 1,196 1,163 1,163 DFM_PC (1 czynnik, 1 opnienie) 0,359 0,263 -0,217 0,490 0,369 -0,294 0,842 0,766 -0,624 1,154 1,078 -1,078 1,066 0,974 -0,974 DFM_PC (3 czynniki, 1 opnienie) 0,393 0,304 -0,211 0,532 0,424 -0,298 0,864 0,797 -0,712 0,900 0,816 -0,816 0,881 0,837 -0,837

h=2 h=3 h=6 h=9 h = 12

y , y 11 + , t = 0 + ytrry tytrr= t +y hwk+ 11 1wkt s+ j =1 j s j, t + h t=h +0 wk +P. B a r =1s o wts k i , A . L eszczyska, G. Szafraski a nj,jt + hj, + h + 1 t 1 t j =1 j 42 yt + h j 0 f i ,t yt , yt f i ,t t yt , yyt, yt 0 , ,rr, rr rr , 1rr r,pytj yt rr,y1,, r , Zacznik, pD.j Testowanie hipotez o trafnoci prognoz CPI yt0 , tytrr yt rr rr rr fi , rr yt + 1 = yt ( ytt+ 1 /yt 11 ) f i=t yt ( yt +1 /yt 11 ) ft yi+t1 , , W tecie rr Harveyai in. (1997,HLN) testowano hipotez zerow o rwnej trafnoci najlepszego (dla = h , 1,h p , yt0+1 h =1 y0t r,y j ytrr,horyzontu)j+h j 1 j +1 danego=,,1,=,ri,+ , ij =1 yt= j +t1DFM oraz najlepszego (dla danego horyzontu) modelu wzorcowego18. 1 t 0+11 ri, p ypj i modelu Zestaw testowanych = y rr ( y ma nastpujc posta: + ytrr1 hipotezt +1 /yt 11 ) t rr rr rr y rr y ( y = ( + = 11 H 1 y MSE DFM /yt)MSE +0 : t +1:t=MSE tyt +1/ty1MSE) WZORC y 0 H t DFM =t 11 WZORC rr H 1 : MSE DFM1 = hMSEWZORChj =1 yt j +1 h= Hrr y rr = hh yt h iWZORCi : MSE DFM + MSE y1 y t + i 1 + + j yt +1 t=1 i =1 y=t1 iy t + ij =1 y=t1 j +t1 j +1 MSE DFM , MSEWZORC to bdy redniokwadratowe, odpowiednio: najlepszego modelu DFM gdzie: MSE DFM , MSEWZORC H 0 : wzorcowego. 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 tecieDFM MSE Predictive Ability (SPA; Hansen, 2005) testowano hipotez, e aden H 1 : MSE DFM > MSE DFM , i z modeli wzorcowych nie MSEWZORC MSE DFM , MSEWZORC charakteryzuje si wiksz trafnoci od najlepszego (dla danego horyMSE DFM , MSE i MSE , MSE zontu) modelu DFM. Zestaw testowanych hipotez ma nastpujc posta: MSE DFMDFM iWZORC , MSE H 0 : MSE DFM MSEi MSE 0 i RW, DFM MSEi i H=H=: AR, MSE:Lead, rednia> MSE MSELead rednia 0 :AR, RW, H DFM MSE i , 1 DFM i H 1H: MSE DFM MSEi i : 1 MSE DFM > > MSE MSE DFM , MSE i gdzie: MSE DFM , MSE i bdy redniokwadratowe, odpowiednio: najlepszego modelu DFM i modeMSE DFM , MSE i li wzorcowych ( i = AR, RW, Lead, rednia ). = , RW, Lead, rednia i =i ARAR, RW, Lead, rednia
rr rr

yt + h = 0 +111 yt + j =1 j s j, t + h 11 y,y y = = + t y + t + y + j =1 + j yt t+,h tytth 0 01 y1+ t=j1sj, jts h, t + h j


11

Tabela 6 Wyniki testw Harveya i in. (1997) oraz testu Superior Predictive Ability dla prognoz indeksu CPI (w %) h=1 97,6 31,7 h=7 78,5 59,7 h=2 81,9 49,8 h=8 77,5 59,7 h=3 23,0 46,7 h=9 86,7 66,9 h=4 24,3 48,3 h = 10 97,6 66,4 h=5 84,5 51,5 h = 11 77,4 65,2 h=6 86,0 61,0 h = 12 53,5 66,3

HLN (p-value) SPA (p-value)

HLN (p-value) SPA (p-value)

Uwaga: p-value oznacza empiryczny poziom istotnoci testu.

Rezultaty zaprezentowane w tabeli 6 wskazuj, e: dla wszystkich horyzontw h = 1, , 12 dokadno prognoz DFM i najlepszej prognozy wzorcowej jest porwnywalna, tj. rnica midzy bdami prognoz MSE z modelu czynnikowego i modeli wzorcowych jest statystycznie nieistotna, dla wszystkich horyzontw h = 1, , 12 adna z prognoz wzorcowych nie jest istotnie lepsza (w sensie trafnoci) od modelu DFM.

18

Dzikujmy Pawowi Skrzypczyskiemu za udostpnienie oprogramowania do testu HLN.

Krtkookresowe prognozowanie inflacji ...

43

Podzikowania
Autorzy pragn podzikowa wszystkim uczestnikom seminarium Instytutu Ekonomicznego NBP z 23.09.2009 r. za cenne uwagi i komentarze do wstpnej wersji opracowania.

Short-term inflation forecasting using factor models


Abstract
Dynamic Factor Models are useful forecasting tools in data-rich macroeconomic environment. In the paper we test short-term forecasting ability of diffusion index model for two Polish inflation indices (overall CPI and core inflation). To this end, we generate factors collecting synthetic information from a large macroeconomic database consisting of 182 monthly time series from the period 19992009 and use them in direct forecasting exercises. The forecasting results compared to popular benchmark models (AR, leading indicator, random walk, simple mean) suggest that out-of-sample prediction errors can be reduced when using factor models, especially for longer horizons (up to a year ahead). Similar conclusions for other inflation series have been drawn in other studies.

Keywords: inflation, forecasting, dynamic factor models

You might also like