Modeling and forecasting macroeconomic series using non-linear econometric models

Abstract

Η παρούσα διπλωματική εργασία εξετάζει την εφαρμογή μη γραμμικών οικονομετρικών μοντέλων στη μοντελοποίηση και πρόβλεψη της τριμηνιαίας πορείας του ΑΕΠ των Ηνωμένων Πολιτειών. Η αφετηρία της έρευνας βρίσκεται στους περιορισμούς των κλασικών γραμμικών μοντέλων, όπως τα ARIMA και VAR, τα οποία συχνά αποτυγχάνουν να αποτυπώσουν την πολυπλοκότητα των μακροοικονομικών μεταβλητών, ιδίως σε περιόδους κρίσεων, διαρθρωτικών αλλαγών ή καθεστωτικών μεταβολών. Για την υπέρβαση αυτών των αδυναμιών διερευνώνται μη γραμμικές προσεγγίσεις, με έμφαση στα μοντέλα Κατωφλίου (TAR και SETAR), τα μοντέλα Ομαλής Μετάβασης (STAR) και τα μοντέλα Εναλλαγής Καθεστώτων (Markov-Switching). Η μεθοδολογία της έρευνας περιλαμβάνει τη συλλογή και προεπεξεργασία των στοιχείων του ΑΕΠ, με έλεγχο στασιμότητας, επιλογή καθυστερήσεων και περιγραφική στατιστική ανάλυση. Ακολούθως, προσδιορίζονται και εκτιμώνται τόσο γραμμικά όσο και μη γραμμικά μοντέλα με οικονομετρικές τεχνικές, όπως η μέγιστη πιθανοφάνεια και οι μη γραμμικές ελάχιστες τετραγωνικές μέθοδοι. Η απόδοσή τους αξιολογείται μέσα από διαγνωστικούς ελέγχους και δείκτες ακρίβειας προβλέψεων, όπως το RMSE και το MAE, ενώ πραγματοποιούνται επιπλέον έλεγχοι μη γραμμικότητας και αιτιότητας κατά Granger για την επικύρωση των μοντέλων και τη διερεύνηση των σχέσεων μεταξύ μακροοικονομικών μεταβλητών. Η εργασία συνδυάζει τη θεωρητική ανασκόπηση της εξέλιξης από τα γραμμικά στα μη γραμμικά μοντέλα πρόβλεψης με την εμπειρική εφαρμογή στο ΑΕΠ των Η.Π.Α. Παράλληλα, εξετάζει τις μεθοδολογικές προκλήσεις που ανακύπτουν, όπως η εκτίμηση παραμέτρων και η επιλογή κατάλληλου μοντέλου, και αναδεικνύει πώς αυτές επηρεάζουν τη χρηστικότητα και την αξιοπιστία των μη γραμμικών προσεγγίσεων. Πέρα από τα τεχνικά ζητήματα, η μελέτη υπογραμμίζει τη σημασία των μη γραμμικών οικονομετρικών μεθόδων για την οικονομική πολιτική και την πρακτική εφαρμογή, παρέχοντας χρήσιμα εργαλεία σε φορείς πολιτικής, επιχειρήσεις και χρηματοπιστωτικά ιδρύματα που καλούνται να λάβουν αποφάσεις σε συνθήκες αβεβαιότητας και οικονομικής δυναμικής. Με τον τρόπο αυτό η εργασία συμβάλλει τόσο στη θεωρητική γνώση όσο και στην πρακτική αξιοποίηση των μη γραμμικών μοντέλων στη μακροοικονομική πρόβλεψη.This thesis examines the application of non-linear econometric models to the modeling and forecasting of U.S. quarterly GDP growth. The motivation arises from the limitations of traditional linear models, such as ARIMA and VAR, which are often inadequate in capturing the complex dynamics of macroeconomic variables, particularly during periods of crisis, structural breaks, or regime shifts. To address these shortcomings, the study explores non-linear approaches, focusing on Threshold Autoregressive (TAR) and Self-Exciting TAR (SETAR) models, Smooth Transition Autoregressive (STAR) models, and Markov-Switching (MS) models. The research follows a structured methodology that begins with the collection and preprocessing of U.S. GDP data, including stationarity testing, lag selection, and descriptive statistical analysis. Both linear and non-linear models are then specified and estimated using econometric techniques such as maximum likelihood estimation and non-linear least squares. Their performance is evaluated through diagnostic checks and forecast accuracy measures, including Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE). Additional procedures, such as nonlinearity testing and Granger causality analysis, are applied to validate the models and investigate predictive relationships among macroeconomic variables. The thesis combines a thorough theoretical review of the transition from linear to non-linear forecasting approaches with a detailed empirical application to U.S. GDP. It also addresses methodological challenges, such as parameter estimation and model selection, and discusses how these issues affect the usability and robustness of non-linear models. Beyond the technical aspects, the study highlights the broader practical and policy relevance of adopting non-linear econometric methods for macroeconomic forecasting. By providing a systematic comparison between linear and non-linear models, it contributes to academic knowledge while also offering valuable insights for policymakers, businesses, and financial institutions seeking to improve decision-making in uncertain and dynamic economic environments.