Inside Into Aalto.fi
Kauppakorkeakoulun julkaisuportaali
Aalto-yliopiston kauppakorkeakoulun gradujen tiedot nyt Aaltodocissa: Aaltodoc-julkaisuarkisto
Kauppakorkeakoulu | Taloustieteen laitos | Kansantaloustiede | 2016
Tutkielman numero: 14770
Macroeconomic forecasting and data revisions: linear univariate GDP forecasting when revision process is characterized by news or noise: theory and evidence for Finland
Tekijä: Kolehmainen, Roope
Otsikko: Macroeconomic forecasting and data revisions: linear univariate GDP forecasting when revision process is characterized by news or noise: theory and evidence for Finland
Vuosi: 2016  Kieli: eng
Laitos: Taloustieteen laitos
Aine: Kansantaloustiede
Asiasanat: kansantaloustiede; kansantalous; laskentatoimi; ennusteet; makrotalous; tieto; muutos; tietämyksenhallinta
Sivumäärä: 55
Kokoteksti:
» hse_ethesis_14770.pdf pdf  koko: 2 MB (1676684)
Avainsanat: forecasts; ennusteet; econometrics; ekonometria; time series; aikasarja-analyysi; bruttokansantuote; gross national product
Tiivistelmä:
Kansantaloudellisen tilinpidon data tarkentuu ajan kuluessa, mikä voi huomattavasti vaikeuttaa makrotaloudellisten ennusteiden laadintaa. Kaksi ennustusmallia, jotka perustuvat samaan otosdataan, mutta joissa otokset ovat eriasteisesti tarkentuneita (ts. otosdatat ovat kerätty eri ajankohtina), voivat tuottaa merkittävästi erilaisia ennusteita. Datan tarkentuminen (datarevisiot) hankaloittaa myös ennustus-tarkkuuksien arviointia ja saattaa johtaa harhaanjohtaviin tulkintoihin ennustusmallien tehokkuudesta.

Tässä tutkimuksessa tutkin datarevisioiden vaikutusta ennustusmalleihin, -tuloksiin ja -tarkkuuksiin lineaaristen yhden muuttujan mallien avulla. Esitän teoreettisessa analyysissä, kuinka datarevisiot vaikuttavat ennustamiseen ko. mallien kautta. Empiiriset analyysit perustuvat suomalaiseen reaaliaikaiseen, reaaliarvoiseen bruttokansantuotteen kvartaalidataan.

Empiirinen analyysi koostuu kolmesta kokonaisuudesta. Tarkastelen ensin datarevisioiden satunnaisuutta (tunnetaan kirjallisuudessa news- ja noise-erotteluna). Seuraavaksi analysoin ennusteajankohdan eli datavuosikertojen vaikutusta BKT:n ennustustuloksiin, -malleihin ja -tarkkuuksiin. Viimeiseksi laadin Monte Carlo -simulaation, jossa tarkastelen revisioiden satunnaisuuden, ennustusmallin dataotosten ja realisaatioiden vuorovaikutuksia. Ennustusmalleja vertaillessa verrataan keskenään reaaliaikaiseen dataotokseen ja viimeisimpään dataan perustuvia malleja. Realisaatioina käytetään ensimmäisiä julkaisuja, vuosi ensimmäisen julkaisun jälkeen julkaistuja arvoja sekä viimeisimmän datavuosikerran arvoja.

Suomalaisen reaaliaikaisen kvartaali-BKT:n tarkentuminen on lähes puhdas news-prosessi. Mm. revisioiden varianssi kasvaa suhteessa aikaan, revisiot korreloivat myöhempien julkaisuiden kanssa ja aiempien ja myöhempien julkaisuiden välinen systemaattisten poikkeavuuksien suhteellinen osuus on lähes olematon. Revisioissa ei myöskään ole havaittavissa tilastollisesti merkitseviä vinoumia. Ennustussimulaatioissa revisioilla havaittiin olevan kokonaisuudessaan merkittävä vaikutus ennustuksiin. Ennustustarkkuus-vertailuissa tilastollisesti merkitseviä poikkeavuuksia mallien välille syntyi kuitenkin vain käyttämällä viimeisimpään datavuosikertaan nähden selvästi aiempaa osaotosta. Monte Carlo -analyysi antoi viitteitä siitä, että revisioiden satunnaisuutta arvioimalla voidaan valita ennustusmallin otosdata riippuen ennustettavasta arvosta. Simulaatiot tuottivat johdonmukaisia ja poissulkevia riippuvuussuhteita revisioprosessien, ennustusmallien ja realisaatioiden välille sekä yksittäisille ennustushorisonteille ja keskiarvoisesti kaikille kokeessa käytetyille parametreille.
Verkkojulkaisut ovat tekijänoikeuden alaista aineistoa. Teokset ovat vapaasti luettavissa ja tulostettavissa henkilökohtaista käyttöä varten. Aineiston käyttö kaupallisiin tarkoituksiin on kielletty.