Talouskehityksen ennustaminen DSGE-malleilla ja neuroverkoilla

Tutkielmassa vertaillaan DSGE-malleja ja neuroverkkoja talouskehityksen ennustamisen menetelminä. DSGE-mallit ovat makrotalouden rakenteellisia ekonometrisia malleja, jotka perustuvat vahvasti mikrotaloustieteen teoriaan. Siten mallin ennuste-estimaatit perustuvat siihen, millaisia lainalaisuuksia sen kuvaaman talouden toimijoiden oletetaan teorian mukaan noudattavan. Neuroverkot puolestaan ovat aineistolähtöinen menetelmä, joka ei edellytä analysoitavien muuttujien tarkan funktionaalisen riippuvuussuhteen tuntemista, vaan menetelmän tavoitteena on muodostaa yleistys aineiston tuottaneesta prosessista. Aikaisemmassa tutkimuksessa havainnot DSGE-mallien ennustetarkkuudesta ovat olleet vaihtelevia. Kritiikkiä mallit ovat saaneet etenkin siitä, etteivät ne ole kyenneet tarkasti ennustamaan talouden käännekohtia. Yleistämiseen pyrkivän lähestymistapansa vuoksi neuroverkot voivat tunnistaa tutkittavasta aineistosta erilaisia riippuvuussuhteita rakenteellisia malleja joustavammin, minkä vuoksi niillä on potentiaalia havaita vaihtuvia talouden kehityskulkuja. Tutkielmassa selvitetään, miten neuroverkot suoriutuvat talouskehityksen ennustamisongelmissa ja verrataan niitä perinteisempään ekonometriseen talouskehityksen mallinnusmenetelmään, DSGE-malliin. Tutkielmassa estimoidaan DSGE-malli sekä neuroverkko Yhdysvaltojen talouskehityksen ennustamiseksi vuosina 1994–2006. Estimoitava DSGE-malli huomioi kotitalouksien, yritysten ja keskuspankin käyttäytymistä. Analyysissä keskitytään kolmeen keskeiseen makrotaloudelliseen aikasarjaan, talouskasvuun, inflaatioon ja korkotasoon. Ennustetarkkuuksia vertaillaan sekä lyhyessä että pidemmässä, vuoden päähän yltävässä ennustehorisontissa. Menetelmien ennustetarkkuuksissa ei havaita tilastollisesti merkitsevää eroa tuotannon kasvun ja inflaation ennusteissa. Kumpikaan menetelmistä ei kuitenkaan kykene ennustamaan Yhdysvaltojen talouden supistumista 2000-luvun alussa. Tulosten mukaan jo spesifioinniltaan verrattain yksinkertainen, eteenpäin syöttävä neuroverkko kykenee yleistämään talouden dynamiikkaa siinä määrin, että sen avulla on mahdollista tuottaa tarkkuudeltaan DSGE-mallin tasolle yltäviä ennusteita talouskehityksestä. Haasteena menetelmän soveltamiseksi esimerkiksi talouspolitiikan päätöksenteon työkaluna on pidetty niiden läpinäkymättömyyttä. Tällaisessa käyttötarkoituksessa aineiston riippuvuusrakenteen ymmärtäminen ja tulosten luotettavuuden arviointi ovat yleensä keskeisiä tarkasteluita. Jatkotutkimukselle tärkeitä aiheita ovatkin mallien ja niiden tulosten muodollisempaa analyysiä mahdollistavien menetelmien kehittäminen ja vakiinnuttaminen soveltavassa tutkimuksessa