Nowcasting Canadian GDP with Density Combinations

L’élaboration de politiques exige de pouvoir évaluer la situation économique en temps réel, et il est tout aussi important de comprendre les risques entourant ces évaluations. En général, les décideurs reçoivent des prévisions ponctuelles qui ne contiennent pas assez d’information sur les risques. Or, les densités prédictives estiment, pour leur part, toute l’étendue des possibilités. Elles permettent ainsi de quantifier non seulement la situation actuelle de l’économie, mais aussi le degré d’incertitude, les risques extrêmes et la résultante de l’ensemble des risques concernant cette situation. Cette étude s’attache donc à développer le cadre conçu par Chernis et Sekkel (2018), qui visait à produire des prévisions par densité de la croissance du PIB réel canadien pour la période en cours. Nous comparons plusieurs méthodes consistant à combiner les densités prédictives de 98 modèles représentant quatre catégories courantes de modèles de prévision pour la période en cours. Les résultats de ces combinaisons sont ensuite évalués à l’aide d’exercices hors échantillon en temps réel et en temps quasi réel, les simulations en temps réel fondées sur un échantillon restreint faisant ressortir l’importance des révisions de données au regard des prévisions pour la période en cours. Nous démontrons que les densités combinées sont des outils fiables permettant d’évaluer avec justesse la situation économique et les risques pesant sur les perspectives. Nous abordons en particulier les risques présents au début de la pandémie de COVID-19.