Data rich econometric modelling and an application to economic forecasting

Abstract

The main focus of this study lies in forecasting time series using data reduction methods. Our objective is to use various shrinkage methods in order to find the optimal model with the best predictive ability. Firstly, we present the Lasso, Ridge regression and the PCR (Principal Components Regression) method. Continuously, we use these methods to forecast two macroeconomic time series. We perform in sample forecasting. Based on our results, the choice of the hyperparameters was the key factor in the forecasting procedure. It is important to mention that the PCR method has a low predictive performance despite the fact that we used only one component. Based on our conclusions the penalization methods perform better than the PCR method.

Ο βασικός άξονας αυτής της μελέτης κυμαίνεται στην πρόβλεψη χρονοσειρών χρησιμοποιώντας μεθόδους μείωσης δεδομένων.Ο σκοπός είναι να χρησιμοποιήσουμε ποικίλες μεθόδους συρρίκνωσης για να βρούμε το βέλτιστο μοντέλο με την καλύτερη προβλεπτική ικανότητα.Αρχικά παρουσιάζουμε τις μεθόδους Lasso, Ridge παλινδρόμηση και την μέθοδο PCR(παλινδρόμηση κύριων συνιστώσεων).Στη συνέχεια, χρησιμοποιούμε αυτές τις μεθόδους για να προβλέψουμε δύο μακροοικονομικές χρονοσειρές.Η μεθοδολογία πρόβλεψης γίνεται μέσα σε όλο το δείγμα.Σύμφωνα με τα αποτελέσματα μας,η επιλογή των υπερπαραμέτρων αποτελεί βασικό κομμάτι στη διαδικασία πρόβλεψης.Αξίζει να σημειωθεί ότι η μέθοδος PCR είχε χαμήλη απόδοση παρόλο που χρησιμοποιήσαμε μία μόνο βασική συνιστώσα.Συμπερασματικά, οι μέθοδοι που χρησιμοποιούν «ποινή» λειτουργούν καλύτερα από την μέθοδο PCR.