Esseitä reaaliaikaisesta makrotaloudellisesta ennustamisesta

Talousennusteilla on keskeinen vaikutus kuluttajien, sijoittajien sekä raha- ja finanssipolitiikan harjoittajien päätöksiin. Talousennusteiden tärkeästä yhteiskunnallisesta asemasta johtuen ekonomistit laativat ennusteita keskeisistä makrotaloudellisista muuttujista, kuten bruttokansantuotteen (BKT) kasvusta ja kuluttajahintainflaatiosta. Ekonomistit kokevat usein tarkkojen makrotaloudellisten ennusteiden laatimisen vaikeaksi. On olemassa useita syitä sille, miksi makrotaloudellinen ennustaminen on niin haastavaa. Ensinnäkin talousteoria on harvoin niin täsmällinen, että se määrittelisi ennustemallin funktiomuodon tai edes sen, mitä ennakoivia muuttujia tulisi sisällyttää ennustemalliin. Tästä syystä käytettävän ennustemallin valintaan liittyy huomattavaa epävarmuutta. Toiseksi useat makrotaloudelliset aikasarjat ovat kokeneet rakennemuutoksia. Nämä rakennemuutokset voivat johtua esimerkiksi kuluttajien kulutustottumusten, tuotantoteknologian tai institutionaalisten rakenteiden muutoksista. Aikaisemman empiirisen ennustekirjallisuuden perusteella rakennemuutokset vaikuttavat merkittävästi ennustemallien ennustetarkkuuteen. Lisäksi useiden makrotaloudellisten muuttujien arvot julkaistaan pitkällä viiveellä ja julkaistuja arvoja päivitetään yli ajan. Nämä päivitykset voivat olla hyvin suuria, mikä vaikeuttaa entisestään tarkkojen reaaliaikaisten ennusteiden laatimista. Tämä väitöskirja koostuu johdantoluvusta ja neljästä makrotaloudellista ennustamista käsittelevästä esseestä. Johdantoluvussa keskustellaan siitä, miten olennaisesti ennustemalliin liittyvä epävarmuus, rakennemuutokset ja aineiston päivittäminen vaikuttavat makrotaloudelliseen ennustamiseen. Väitöskirjan kaksi ensimmäistä esseetä analysoivat sitä, miten autoregressiiviset ennusteet tulisi laatia silloin, kun ennustettavassa aikasarjassa on tapahtunut rakennemuutos ja sarjan havaintoarvoja päivitetään yli ajan. Ensimmäisessä esseessä tarkastellaan ennustemallien parametrien estimointi-ikkunan valintaa tilanteessa, jossa aikasarjan havaintoja päivitetään yli ajan ja sarjassa on tapahtunut rakennemuutos juuri ennen ennusteen laatimishetkeä. Esseen Monte Carlo simulaatiotulokset ja empiiriset tulokset Yhdysvaltojen reaaliselle BKT:lle ja inflaatiolle osoittavat, että laajeneva estimointi-ikkuna tuottaa tällaisessa tilanteessa tyypillisesti kaikkein tarkimmat ennusteet. Toinen essee vertailee erilaisten useiden askelien ennustemenetelmien ennustetarkkuutta silloin, kun ennustettavassa aikasarjassa on tapahtunut rakennemuutos. Monte Carlo simulaatioiden perusteella rakennemuutoksen tyyppi ja ajankohta vaikuttavat ennustemenetelmien suhteelliseen ennustetarkkuuteen. Iteratiivinen menetelmä tuottaa tyypillisesti tarkimmat ennusteet, erityisesti silloin kun parametreihin kohdistuu vain pieniä muutoksia. Yhdysvaltojen reaaliaikaisten tuotanto- ja inflaatiosarjojen empiirinen analysointi osoittaa, että vaihtoehtoiset usean askeleen ennustemenetelmät tuottavat vain harvoin tarkempia ennusteita kuin iteratiivinen ennustemenetelmä. Väitöskirjan kaksi viimeistä esseetä analysoivat korkoeron eli pitkän ja lyhyen valtionlainan koron erotuksen sekä luottoeron eli luottoriskin aiheuttaman korkoeron ennustekykyä. Kolmas essee tutkii korkoeron ja erilaisten luottoerojen ennustekykyä silloin, kun nimellinen lyhyt korko on nollatasolla ja Yhdysvaltojen keskuspankki on harjoittanut epätavallista rahapolitiikkaa. Esseen tulokset viittaavat siihen, että korkoeron ennustekyky on muuttunut sen jälkeen kun lyhyt korko asetettiin nollatasolle ja keskuspankki aloitti epätavallisen rahapolitiikan harjoittamisen. Tutkimustulokset tukevat siis aikaisemmassa kirjallisuudessa esitettyä näkökantaa, jonka mukaan muutokset keskuspankin tavassa harjoittaa rahapolitiikkaa muuttavat korkoeron ennustekykyä. Esseen tulokset osoittavat myös, että luottoerojen ennustekyky vaihtelee merkittävästi yli ajan. Nollakorkorajoitteen ja epätavallisen rahapolitiikan ei kuitenkaan havaita muuttavan luottoerojen ennustekykyä. Neljäs essee tutkii sitä, onko niin sanottu asuntolainaspredi eli asuntolainan koron ja valtionlainan koron erotus hyödyllinen ennakoiva muuttuja. Esseen päätulos on se, että asuntolainaspredin avulla voidaan ennustaa Yhdysvaltojen reaalisen BKT:n ja teollisuustuotannon kasvua. Asuntolainaspredi osoittautuu tarkemmaksi ennakoivaksi muuttujaksi kuin paljon huomiota aikaisemmassa ennustekirjallisuudessa saaneet korkoero ja Gilchrist–Zakrajšek luottoero. Tulosten perusteella asuntolainaspredin ennustekyky vaihtelee yli ajan. Asuntolainaspredi on ollut erityisen hyödyllinen ennakoiva muuttuja vuodesta 2000 lähtien.The future prospects of the economy are important for consumers, investors, and policymakers. As a result, economists provide forecasts of key macroeconomic time series for different time horizons. Economists at universities, central banks, and other forecasting institutions often find it difficult to produce accurate forecasts of uncertain future values of macroeconomic series. There are several reasons why macroeconomic forecasting is such a challenging task. First, economic theory rarely specifies the functional form of the forecasting model or even which predictor variables should be included in the forecasting model. Thus, there is uncertainty concerning which forecasting model should be used. Second, many macroeconomic time series are subject to structural breaks. For instance, changes in tastes, technology, or institutional arrangements can cause changes in the dynamics of a series. It is well known that structural breaks matter for forecasting performance. Third, key macroeconomic data, such as real GDP and inflation series, are published with a lag and are subject to revisions. These data revisions can be quite large. Hence, it is difficult to produce accurate forecasts in real-time. This thesis consists of an introductory chapter and four empirical essays on macroeconomic forecasting. The introductory chapter provides a review of how uncertainty about the forecasting model, structural instability, and data revisions affect macroeconomic forecasting. Model uncertainty, structural breaks, and the real-time nature of macroeconomic time series play a central role in each of the essays. The first two essays analyze how one should generate autoregressive forecasts in the presence of structural instability and real-time data. In particular, the first essay considers the choice of the estimation window in the presence of data revisions and recent structural breaks. The Monte Carlo and empirical results for U.S. real GDP and inflation show that the expanding window estimator typically yields the most accurate forecasts after a recent structural break. The expanding window estimator performs well regardless of whether data revisions add news or reduce noise or whether we forecast first-release or final values. The second essay compares the forecasting accuracy of alternative multi-step forecasting methods in an unstable environment. The Monte Carlo simulations indicate that the type and the timing of the break affect the relative accuracy of the multi-step forecasting methods. The iterated method typically performs the best in unstable environments, especially if the parameters are subject to small breaks. Empirical analysis of real-time U.S. output and inflation series shows that the alternative multi-step methods only episodically improve upon the iterated method. The other two essays investigate the real-time predictive power of interest rate spreads, which have been frequently used in the forecasting literature. The third essay studies the predictive ability of the term spread and a set of credit spreads when the short-term nominal rates have been stuck at the zero lower bound (ZLB) and the Federal Reserve has used unconventional monetary policy. The results of this essay suggest that the predictive content of the term spread has changed since the onset of the ZLB and unconventional monetary policy period. Thus, our results provide further evidence supporting the view that changes in monetary policy affect the ability of the term spread to forecast subsequent real activity. The results also indicate that the predictive power of credit spreads fluctuates over time. However, the ability of credit spreads to signal future output growth seems to be unaffected by the beginning of the ZLB and unconventional monetary policy era. The fourth essay examines whether the mortgage spread (i.e., the difference between the 30-year mortgage rate and 10-year Treasury bond rate) is a useful leading indicator for U.S. real activity. The main finding from this study is that the mortgage spread contains predictive power for U.S. real GDP and industrial production growth. Importantly, the mortgage spread produces more accurate real-time forecasts than the widely used term spread and Gilchrist-Zakrajšek credit spread. However, the predictive power of the mortgage spread fluctuates over time. The mortgage spread has been a particularly informative leading indicator since the early 2000s