Changez de thème
Changez de thème

On the Advantages of Disaggregated Data: Insights from Forecasting the U.S. Economy in a Data-Rich Environment

Disponible en format(s) : PDF

La qualité des prévisions issues des modèles factoriels a été largement documentée dans la littérature. À la différence des nombreuses recherches qui ont été menées sur un ensemble de variables très limité (généralement le PIB et l'inflation), la présente étude évalue la qualité des prévisions à des niveaux désagrégés, le but étant d'expliquer pourquoi un modèle factoriel a un pouvoir prédictif plus grand qu'un modèle autorégressif simple. Les auteurs utilisent la plus récente révision de plus de 100 séries chronologiques américaines couvrant la période de 1974 à 2009 (données mensuelles et trimestrielles). Ils emploient des restrictions dérivées des identités de la comptabilité nationale afin que les prévisions ayant trait aux différentes composantes du PIB soient conjointement compatibles. Conformément à ce qui ressort de travaux antérieurs, les auteurs constatent que leur modèle factoriel permet de prévoir le PIB avec beaucoup plus de précision que les modèles autorégressifs simples de référence, mais ils concluent également que les gains de précision varient considérablement selon la composante du PIB. De manière empirique, ils observent que ce sont les séries relativement plus volatiles – surtout celles de l''investissement et des échanges commerciaux – qui enregistrent les améliorations les plus marquées. Les prévisions portant sur la consommation, par contre, sont à peine plus précises que celles tirées d'un modèle autorégressif simple de référence. En outre, les auteurs montrent que, pour la plupart des composantes du PIB, une prévision directe et non restreinte donne des résultats plus précis que les prévisions restreintes par les identités de la comptabilité nationale. Quant au PIB lui-même, la meilleure façon de le prévoir consiste à faire la somme des prévisions relatives aux composantes individuelles, mais le gain de précision est faible par rapport à une prévision directe et non contrainte issue d'un modèle factoriel.

DOI : https://doi.org/10.34989/swp-2010-10