Dans cette étude, les auteurs proposent un modèle qui permet d’évaluer de façon précoce la croissance actuelle du PIB nominal des États-Unis, laquelle est considérée comme une possible nouvelle cible de politique monétaire. Les prévisions concernant la période en cours sont établies à partir des mêmes informations dont disposent les décideurs à ce moment précis. Toutefois, les renseignements en temps réel leur parviennent à des intervalles différents et de manière asynchrone, ce qui cause plusieurs problèmes : fréquences diverses, données manquantes, valeurs absentes en fin d’échantillon. Dans cette étude, les auteurs proposent un modèle espace d’états multivarié qui non seulement prend en considération le flux asynchrone d’informations, mais tient compte aussi de l’instabilité éventuelle des paramètres. Ils utilisent une analyse factorielle confirmatoire à échelle réduite, les variables admissibles étant choisies selon leur potentiel de prévision du PIB nominal. L’estimation complète du modèle s’effectue en une seule étape, au moyen d’un filtre de Kalman non linéaire, qui sert à tirer simultanément des inférences optimales aussi bien sur le facteur dynamique que sur les paramètres. Contrairement à l’analyse en composantes principales, le modèle factoriel proposé fait ressortir la corrélation entre les variables plutôt que leur variance sous-jacente. Les auteurs comparent le potentiel prévisionnel du modèle avec d’autres spécifications univariées ou multivariées. D’après les résultats obtenus, le modèle proposé, qui exploite des renseignements sur l’activité de l’économie réelle, l’inflation, les taux d’intérêt et les agrégats monétaires de Divisia, donne les prévisions en temps réel les plus fiables de la croissance du PIB nominal pour la période en cours.