Ekonomiskās aktivitātes reāllaika prognozēšana ar augstas frekvences datiem.

Abstract

Maģistra darba ietvaros tiek izveidoti ekonomiskās aktivitātes indikatori ar nedēļas frekvenci, izmantojot augstas frekvences datus, lai novērtētu un prognozētu IKP reāllaikā Latvijā un Eiropas Savienībā. Darbs apkopo publiski pieejamos augstas frekvences datu avotus un oficiālās statistikas rādītājus trīs dažādās frekvencēs – nedēļas, mēneša un ceturkšņa. Pētījuma ietvaros veiktajai analīzei tiek pielietotas trīs metodes – faktoru analīze ar cerību-maksimizācijas algoritms, faktoru analīze un Čou-Lina metode, kā arī Baumeister, Leiva-León, Sims (2021) nesen izstrādātā pieeja. Pētījuma rezultāti parāda, ka augstas frekvences dati var sniegt nozīmīgu pienesumu reāllaika IKP novērtēšanā un prognozēšanā. Salīdzinot trīs pielietotās metodes var secināt, ka, novērtējot ekonomisko aktivitāti labākos rezultātus gan Latvijai, gan ES uzrāda faktoru analīzes un Čou-Lina metode, savukārt, labāko IKP ceturkšņa ārpus izlases prognozi sniedz faktoru analīzes ar Kalmana filtru metodi.

In this master's thesis, the author is using high-frequency data, to construct a weekly economic activity indicators that estimate and forecast real-time GDP in Latvia and the European Union. The study compiles publicly available high frequency data and official statistics data released at three different frequencies – weekly, monthly and quarterly. Three different methods are used for the purposes of this research – factor analysis with an expectation-maximization algorithm, factor analysis and the Chow-Lin method, as well as a recent approach by Baumeister, Leiva-León, Sims (2021). The master's thesis’ results confirm that high-frequency data can make a significant contribution to real-time GDP estimation and forecasting. By comparing these three methods, it can be concluded that the best results in assessing economic activity for both Latvia and the EU are shown by the factor analysis and Chow-Lin method, while the Kalman filter method provides a better quarterly GDP forecast out of sample.