Модель байєсівської векторної авторегресії (BVAR) для прогнозування інфляції та ВВП України
a Національний банк України, Київ, Україна
Анотація

У статті досліджується ефективність прогнозування моделі байєсівської векторної авторегресії (BVAR) із використанням апостеріорного передбачуваного розподілу для значень показників у рівноважному стані та порівнюється точність прогнозів із квартальною прогнозною моделлю (КПМ) та офіційними прогнозами НБУ за період з І кварталу 2016 року до І кварталу 2020 року. Встановлено, що прогнози інфляції, створені за моделлю BVAR, є більш точними порівняно з прогнозами моделі КПМ на два квартали вперед і зберігають конкурентоспроможність протягом більш тривалого періоду часу. Прогнози BVAR щодо зростання ВВП також перевершують прогнози КПМ, але для всього горизонту прогнозу. Виявлено, що модель BVAR показує кращі результати порівняно з офіційними прогнозами інфляції НБУ на горизонті монетарної політики, тоді як для прогнозів зростання ВВП усе навпаки. Майбутні дослідження можуть зіткнутися з проблемами оцінки, викликаними COVID-19.

3821
перегляди
1708
завантаження
Текст статті
Завантажити
Цитування
Стаття є перекладом з англійської. Під час цитування використовуйте оригінальну назву публікації
Цитуйте як: Shapovalenko, N. (2021). A BVAR Model for Forecasting Ukrainian Inflation and GDP. Visnyk of the National Bank of Ukraine, 251, 14-36. https://doi.org/10.26531/vnbu2021.251.02
Формат цитування

Метрики
Література

Beechey, M., Österholm, P. (2010). Forecasting inflation in an inflation-targeting regime: A role for informative steadystate priors. International Journal of Forecasting, 26(2), 248-264. https://doi.org/10.1016/j.ijforecast.2009.10.006

Brazdik, F., Franta, M. (2017). A BVAR model for forecasting of Czech inflation. Working Papers 2017/7. Praha: Czech National Bank. Retrieved from https://www.cnb.cz/export/sites/cnb/en/economic-research/.galleries/research_publications/cnb_wp/cnbwp_2017_07.pdf

Carriero, A., Kapetanios, G., Marcellino, M. (2009). Forecasting exchange rates with a large Bayesian VAR. International Journal of Forecasting, 25(2), 400–417. https://doi.org/10.1016/j.ijforecast.2009.01.007

Chan, J., Jacobi, L., Zhu, D. (2019). Efficient selection of hyperparameters in large Bayesian VARs using automatic
differentiation. CAMA Working Papers, 46/2019. The Australian National University. Retrieved from https://crawford.anu.edu.au/sites/default/files/publication/cama_crawford_anu_edu_au/2019-06/46_2019_chan_jacobi_zhu.pdf

Clark, T. E. (2011). Real-time density forecasts from Bayesian vector autoregressions with stochastic volatility. Journal of Business and Economics Statistics, 29(3), 327–341. https://doi.org/10.1198/jbes.2010.09248

Del Negro, M., Schorfheide, F. (2004). Priors from general equilibrium models for VARs. International Economic Review, 45, 643–673. https://doi.org/10.1111/j.1468-/2354.2004.00139.x

Dieppe, A., Legrand, R., van Roye, B. (2016). The BEAR toolbox. Working Paper Series, 1934. European Central Bank. Retrieved from https://www.ecb.europa.eu/pub/pdf/scpwps/ecbwp1934.en.pdf

Foroni, C., Marcellino, M., Stevanović, D. (2020). Forecasting the Covid-19 recession and recovery: lessons from the financial crisis. Working Paper Series, 2468. European Central Bank. Retrieved from https://www.ecb.europa.eu/pub/pdf/scpwps/ecb.wp2468~068eec9e3e.en.pdf

Giannone, D., Lenza, M., Primiceri, G., (2012). Prior selection for vector autoregressions. Working Paper Series, 1494. European Central Bank. Retrieved from https://www.ecb.europa.eu/pub/pdf/scpwps/ecbwp1494.pdf

Grui, A., Vdovychenko, A. (2019). Quarterly projection model for Ukraine. NBU Working Papers, 3/2019. Kyiv: National Bank of Ukraine. Retrieved from https://bank.gov.ua/admin_uploads/article/WP_2019-03_Grui_Vdovychenko_en.pdf

Gustafsson, O., Villani, M., Stockhammar, P. (2020). Bayesian optimization of hyperparameters when the marginal likelihood is estimated by MCMC. Retrieved from https://arxiv.org/pdf/2004.10092.pdf

Iversen, J., Laseen, S., Lundvall, H., Söderström. U. (2016). Real-time forecasting for monetary policy analysis:
The case of Sveriges Riksbank. CEPR Discussion Papers, 11203. Retrieved from http://archive.riksbank.se/Documents/Rapporter/Working_papers/2016/rap_wp318_160323.pdf

Jarocinski, M. (2010). Conditional forecasts and uncertainty about forecast revisions in vector autoregressions. Economics Letters, 108(3), 257–259. https://doi.org/10.1016/j.econlet.2010.05.022

Krüger, F., Clark, T. E., Ravazzolo, F. (2017). Using entropictilting to combine BVAR forecasts with external nowcasts. Journal of Business & Economic Statistics, 35(3), 470–485. https://doi.org/10.1080/07350015.2015.1087856

Lenza, M., Primiceri, G. (2020). How to estimate a VAR after March 2020. Working Paper Series, 2461. European
Central Bank. Retrieved from https://www.ecb.europa.eu/pub/pdf/scpwps/ecb.wp2461~fe732949ee.en.pdf

Robertson, J. C., Tallman, E. W., Whiteman, C. H. (2005). Forecasting using relative entropy. Journal of Money,
Credit and Banking, 37(3), 383–401. https://doi.org/10.1353/mcb.2005.0034

Schorfheide, F., Song, D. (2015). Real-time forecasting with a mixed-frequency VAR. Journal of Business and Economic Statistics, 33(3), 366–380. https://doi.org/10.1080/07350015.2014.954707

Villani, M. (2009). Steady-state priors for vector autoregressions. Journal of Applied Econometrics, 24(4), 630-650. https://doi.org/10.1002/jae.1065

Waggoner, D. F., Zha, T., (1999). Conditional forecasts in dynamic multivariate models. The Review of Economics and Statistics, 81(4), 639–651. https://doi.org/10.1162/003465399558508

Права та дозволи
Ця стаття ліцензована відповідно до Creative Commons Attribution-NonCommercial 4.0 International License. Якщо інше не зазначено, рисунки та інші матеріали представлені на загальних для усієї статті умовах ліцензії Creative Commons. Якщо матеріали не ліцензовані відповідно до Creative Commons, користувачі мають запитувати у власника прав дозволу на їх відтворення чи використання.
Подати статтю