Наукастинг и прогнозирование ВВП России и его компонентов с помощью квантильных моделей
DOI:
https://doi.org/10.22394/1993-7601-2025-79-5-26Ключевые слова:
макроэкономическое прогнозирование, наукастинг, вероятностный прогноз, квантильные регрессии, методики сжатия параметров, байесовские методы, РоссияАннотация
В работе анализируется качество вероятностного наукастинга и краткосрочного прогнозирования российского ВВП и элементов его использования в постоянных ценах (потребление, инвестиции, экспорт и импорт) на основе модели квантильной регрессии и ее «сжимающих» модификаций, направленных на снижение риска переобучения (усреднение квантильных прогнозов, частичная квантильная регрессия, регрессии с регуляризацией, байесовская квантильная регрессия). Показано, что квантильные модели с предикторами превосходят авторегрессионные и МНК-модели по интегральной метрике качества CRPS в задачах наукастинга инвестиций и потребления. При прогнозировании на 1–4 квартала вперед модели со сжатием параметров дают наилучшие прогнозы распределений ВВП и потребления на всех рассматриваемых горизонтах. Для инвестиций и импорта квантильные модели со сжатием параметров оказываются лучшими на трех горизонтах прогнозирования из четырех. Из моделей со сжатием нельзя выделить единственную модель, которая давала бы наилучшие вероятностные прогнозы макропеременных намного чаще других.Организации
Данная статья подготовлена в рамках государственного задания РАНХиГС.Скачивания
Библиографические ссылки
Гареев М. Ю., Полбин А. В. (2022). Наукастинг: оценка изменения ключевых макроэкономических показателей с использованием методов машинного обучения. Вопросы экономики, 8, 133–157. DOI: 10.32609/0042-8736-2022-8-133-157.
Демешев Б., Малаховская О. (2016). Макроэкономическое прогнозирование с помощью BVAR Литтермана. Экономический журнал Высшей школы экономики, 20 (4), 691–710.
Казакова М., Фокин Н. (2024). Тестирование прогнозных свойств различных подходов к интервальному прогнозированию (на примере инфляции в России). Вопросы статистики, 31 (5), 23–40. DOI: 10.34023/2313-6383-2024-31-5-23-40.
Макеева Н. М., Станкевич И. П. (2022). Наукастинг элементов использования ВВП России. Экономический журнал Высшей школы экономики, 26 (4), 598–622. DOI: 10.17323/1813-8691-2022-26-4-598-622.
Полбин А., Фокин Н. (2020). Моделирование динамики импорта РФ с помощью модели коррекции ошибок. Прикладная эконометрика, 59, 88–112. DOI: 10.22394/1993-7601-2020-59-88-112.
Поршаков А. С., Пономаренко А. А., Синяков А. А. (2016). Оценка и прогнозирование ВВП России с помощью динамической факторной модели. Журнал Новой экономической ассоциации, 2 (30), 60–76. DOI: 10.31737/2221-2264-2016-30-2-3.
Станкевич И. П. (2020). Сравнение методов наукастинга макроэкономических индикаторов на примере российского ВВП. Прикладная эконометрика, 59, 113–127. DOI: 10.22394/1993-7601-2020-59-113-127.
Станкевич И. П. (2023). Применение MIDAS-моделей с марковским переключением для наукастинга ВВП и его компонентов. Прикладная эконометрика, 70, 122–143. DOI: 10.22394/1993-7601-2023-70-122-143.
Adrian T., Boyarchenko N., Giannone D. (2019). Vulnerable growth. American Economic Review, 109 (4), 1263–1289. DOI: 10.1257/aer.20161923.
Adrian T., Grinberg F., Liang N., Malik S., Yu J. (2018). The term structure of growth-at-risk. IMF Working Paper, 18/180.
Brownlees C., Souza A. B. M. (2021). Backtesting global growth-at-risk. Journal of Monetary Economics, 118, 312–330. DOI: 10.1016/j.jmoneco.2020.11.003.
Carriero A., Clark T. E., Marcellino M. (2022a). Specification choices in quantile regression for empirical macroeconomics. Federal Reserve Bank of Cleveland Working Paper, 22–25.
Carriero A., Clark T. E., Marcellino M. (2022b). Nowcasting tail risk to economic activity at a weekly frequency. Journal of Applied Econometrics, 37 (5), 843–866. DOI: 10.1002/jae.2903.
Carriero A., Clark T. E., Marcellino M. (2024). Capturing macroeconomic tail risks with Bayesian vector autoregressions. Journal of Money, Credit and Banking, 56 (5), 1099–1127. DOI: 10.1111/jmcb.13121.
Carvalho C. M., Polson N. G., Scott J. G. (2010). The horseshoe estimator for sparse signals. Biometrika, 97 (2), 465–480. DOI: 10.1093/biomet/asq017.
Clark T. E., Huber F., Koop G., Marcellino M., Pfarrhofer M. (2024). Investigating growth-at-risk using a multicountry nonparametric quantile factor model. Journal of Business & Economic Statistics, 42 (4), 1302–1317. DOI: 10.1080/07350015.2024.2310020.
Giacomini R., Komunjer I. (2005). Evaluation and combination of conditional quantile forecasts. Journal of Business & Economic Statistics, 23 (4), 416–431. DOI: 10.1198/073500105000000018.
Giglio S., Kelly B., Pruitt S. (2016). Systemic risk and the macroeconomy: An empirical evaluation. Journal of Financial Economics, 119 (3), 457–471. DOI: 10.1016/j.jfineco.2016.01.010.
Gneiting T., Raftery A. E. (2007). Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102 (477), 359–378. DOI: 10.1198/016214506000001437.
Gneiting T., Ranjan R. (2011). Comparing density forecasts using threshold- and quantile-weighted scoring rules. Journal of Business & Economic Statistics, 29 (3), 411–422. DOI: 10.1198/jbes.2010.08110.
Koenker R., Bassett G. (1978). Regression quantiles. Econometrica, 46 (1), 33–50. DOI: 10.2307/1913643.
Kohns D., Szendrei T. (2024). Horseshoe prior Bayesian quantile regression. Journal of the Royal Statistical Society Series C: Applied Statistics, 73 (1), 193–220. DOI: 10.1093/jrsssc/qlad091.
Kozumi H., Kobayashi G. (2011). Gibbs sampling methods for Bayesian quantile regression. Journal of Statistical Computation and Simulation, 81 (11), 1565–1578. DOI: 10.1080/00949655.2010.496117.
Mitchell J., Poon A., Mazzi G. L. (2022). Nowcasting Euro area GDP growth using Bayesian quantile regression. In: Essays in Honor of M. Hashem Pesaran: Prediction and Macro Modeling, 51–72. Emerald Publishing Limited. DOI: 10.1108/S0731-90532021000043A004.
Tibshirani R. (1996). Regression shrinkage and selection via the Lasso. Journal of the Royal Statistical Society Series B: Statistical Methodology, 58 (1), 267–288. DOI: 10.1111/j.2517-6161.1996.tb02080.x.
Zou H., Hastie T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society Series B: Statistical Methodology, 67 (2), 301–320. DOI: 10.1111/j.1467-9868.2005.00503.x.
Gareev M. Y., Polbin A. V. (2022). Nowcasting Russia’s key macroeconomic variables using machine learning. Voprosy Ekonomiki, 8, 133–157 (in Russian). DOI: 10.32609/0042‑8736‑2022‑8‑133‑157.
Demeshev B., Malakhovskaya O. (2016). Macroeconomic forecasting with a Litterman’s BVAR model.
HSE Economic Journal, 20 (4), 691–710 (in Russian).
Kazakova M.., Fokin N. (2024). Testing forecasting properties of different approaches to interval forecasting (using the example of inflation in Russia). Voprosy Statistiki, 31 (5), 23–40 (in Russian). DOI: 10.34023/2313‑6383‑2024‑31‑5‑23‑40.
Makeeva N., Stankevich I. (2022). Nowcasting of the components of Russian GDP. HSE Economic
Journal, 26 (4), 598–622 (in Russian). DOI: 10.17323/1813‑8691‑2022‑26‑4‑598‑622.
Polbin A., Fokin N. (2020). Modeling the dynamics of import in the Russian Federation using the error correction
model. Applied Econometrics, 59, 88–112 (in Russian). DOI: 10.22394/1993‑7601‑2020‑59‑88‑112.
Porshakov A., Ponomarenko A., Sinyakov A. (2016). Nowcasting and short-term forecasting of Russian
GDP with a dynamic factor model. Journal of the New Economic Association, 2 (30), 60–76 (in Russian). DOI: 10.31737/2221‑2264‑2016‑30‑2‑3.
Stankevich I. (2020). Comparison of macroeconomic indicators nowcasting methods: Russian GDP case. Applied Econometrics, 59, 113–127 (in Russian). DOI: 10.22394/1993‑7601‑2020‑59‑113‑127.
Stankevich I. (2023). Application of Markov‑ Switching MIDAS models to nowcasting of GDP and its components. Applied Econometrics, 70, 122–143 (in Russian). DOI: 10.22394/1993‑7601‑2023‑70‑122‑143.
Adrian T., Boyarchenko N., Giannone D. (2019). Vulnerable growth. American Economic Review, 109 (4), 1263–1289. DOI: 10.1257/aer.20161923.
Adrian T., Grinberg F., Liang N., Malik S., Yu J. (2018). The term structure of growth-at-risk. IMF Working Paper, 18/180.
Brownlees C., Souza A. B. M. (2021). Backtesting global growth-at-risk. Journal of Monetary Economics, 118, 312–330. DOI: 10.1016/j.jmoneco.2020.11.003.
Carriero A., Clark T. E., Marcellino M. (2022a). Specification choices in quantile regression for empirical macroeconomics. Federal Reserve Bank of Cleveland Working Paper, 22–25.
Carriero A., Clark T. E., Marcellino M. (2022b). Nowcasting tail risk to economic activity at a weekly frequency. Journal of Applied Econometrics, 37 (5), 843–866. DOI: 10.1002/jae.2903.
Carriero A., Clark T. E., Marcellino M. (2024). Capturing macroeconomic tail risks with Bayesian vector autoregressions. Journal of Money, Credit and Banking, 56 (5), 1099–1127. DOI: 10.1111/jmcb.13121.
Carvalho C. M., Polson N. G., Scott J. G. (2010). The horseshoe estimator for sparse signals. Biometrika, 97 (2), 465–480. DOI: 10.1093/biomet/asq017.
Clark T. E., Huber F., Koop G., Marcellino M., Pfarrhofer M. (2024). Investigating growth-at-risk using a multicountry nonparametric quantile factor model. Journal of Business & Economic Statistics, 42 (4), 1302–1317. DOI: 10.1080/07350015.2024.2310020.
Giacomini R., Komunjer I. (2005). Evaluation and combination of conditional quantile forecasts. Journal of Business & Economic Statistics, 23 (4), 416–431. DOI: 10.1198/073500105000000018.
Giglio S., Kelly B., Pruitt S. (2016). Systemic risk and the macroeconomy: An empirical evaluation. Journal of Financial Economics, 119 (3), 457–471. DOI: 10.1016/j.jfineco.2016.01.010.
Gneiting T., Raftery A. E. (2007). Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102 (477), 359–378. DOI: 10.1198/016214506000001437.
Gneiting T., Ranjan R. (2011). Comparing density forecasts using threshold- and quantile-weighted scoring rules. Journal of Business & Economic Statistics, 29 (3), 411–422. DOI: 10.1198/jbes.2010.08110.
Koenker R., Bassett G. (1978). Regression quantiles. Econometrica, 46 (1), 33–50. DOI: 10.2307/1913643.
Kohns D., Szendrei T. (2024). Horseshoe prior Bayesian quantile regression. Journal of the Royal Statistical Society Series C: Applied Statistics, 73 (1), 193–220. DOI: 10.1093/jrsssc/qlad091.
Kozumi H., Kobayashi G. (2011). Gibbs sampling methods for Bayesian quantile regression. Journal of Statistical Computation and Simulation, 81 (11), 1565–1578. DOI: 10.1080/00949655.2010.496117.
Mitchell J., Poon A., Mazzi G. L. (2022). Nowcasting Euro area GDP growth using Bayesian quantile regression. In: Essays in Honor of M. Hashem Pesaran: Prediction and Macro Modeling, 51–72. Emerald Publishing Limited. DOI: 10.1108/S0731-90532021000043A004.
Tibshirani R. (1996). Regression shrinkage and selection via the Lasso. Journal of the Royal Statistical Society Series B: Statistical Methodology, 58 (1), 267–288. DOI: 10.1111/j.2517-6161.1996.tb02080.x.
Zou H., Hastie T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society Series B: Statistical Methodology, 67 (2), 301–320. DOI: 10.1111/j.1467-9868.2005.00503.x.
