Forecasting the growth of GDP using Bayesian vector autoregression
| Thesis title: | Predikce vývoje hrubého domácího produktu pomocí bayesovských vícerozměrných autoregresních modelů |
|---|---|
| Author: | Karel, Tomáš |
| Thesis type: | Disertační práce |
| Supervisor: | Blatná, Dagmar |
| Opponents: | Bílková, Diana; Baxa, Jaromír |
| Thesis language: | Česky |
| Abstract: | Tato práce představuje přednosti využití bayesovského přístupu při predikci vývoje makroekonomického agregátu reálného HDP České republiky pomocí vícerozměrných autoregresních modelů. Bayesovský přístup umožňuje vnést pomocí apriorního rozdělení parametrů do jinak ateoretického modelu externí informaci charakteristickou pro danou ekonomiku. Predikce jsou provedeny na základě rozdílných apriorních rozdělení s využitím více uvažovaných modelů, které se liší jak počtem a typem vstupujících proměnných, tak počtem uvažovaných zpoždění. Dále je navržen vlastní systém ekonomicky motivovaných apriorních rozdělení zohledňující charakteristické rysy typické pro malou (velice) otevřenou ekonomiku České republiky. Tento navržený systém apriorních rozdělení je schopen pomocí vhodné volby apriorních (hyper)parametrů zohlednit cyklické chování uvažovaných časových řad s délkou cyklu odpovídající typické délce hospodářských cyklů. Popsaný proces tvorby vlastního systému ekonomicky motivovaných apriorních rozdělení tak ukazuje způsob, jakým bayesovský přístup umožňuje inkorporovat relevantní nedatové informace dané charakteristickými rysy ekonomiky, resp. stanovené tvůrcem hospodářské politiky v podobě uplatňovaných fiskálních či monetárních nástrojů. K vytvoření výsledného modelu je využito bayesovské dynamické průměrování všech uvažovaných modelů, které za pomoci postupu blízkému Kullback-Leiblerovu informačnímu kritériu dává jednotlivým modelům časově proměnné váhy dle jejich predikční schopnosti v předešlých obdobích. Umožňuje tak využít predikčních schopností všech modelů, které se mohou v průběhu různých fází hospodářského cyklu lišit. Závěrem je provedeno porovnání predikční schopnosti modelů s rozdílnými apriorními rozděleními ve třech vybraných časových okamžicích na základě nerevidovaných reálných dat. |
| Keywords: | bayesovské dynamické průměrování modelů; bayesovský vícerozměrný autoregresní model; porovnání predikcí; ekonomické rozdělení parametrů |
| Thesis title: | Forecasting the growth of GDP using Bayesian vector autoregression |
|---|---|
| Author: | Karel, Tomáš |
| Thesis type: | Dissertation thesis |
| Supervisor: | Blatná, Dagmar |
| Opponents: | Bílková, Diana; Baxa, Jaromír |
| Thesis language: | Česky |
| Abstract: | Forecasting the growth of economic macroaggregates has become both crucial and indispensable for monetary and fiscal economic policy makers. The aim of this thesis is to present the benefits of the Bayesian approach in forecasting real GDP growth using Vector Autoregressive Models (BVAR) under the conditions of the Czech economy. The Bayesian approach allows for the incorporation of prior, external information of a given economy into the VAR model by formulating specific prior distribution for estimated parameters. In this thesis, 36 various models based on different (in practice most frequently used) prior distributions as well as various types of variables (time series) and their lags were constructed. The system of economical priors for the particularly small and open economy of the Czech Republic was also designed in this thesis. The presented system of economic priors is able to take into account the cyclical behavior of the economic time series corresponding to the typical duration of the business cycles, using the appropriate choice of (hyper) parameters for prior distributions. The process of designing economic system of priors for the Czech economy illustrates the way in which Bayesian approach enables the incorporation of relevant external information that is usually determined by economic policy makers in the form of applied monetary or fiscal instruments or the particular legislation in the Czech Republic. Bayesian dynamic model averaging (DMA) is then used for all of the 36 different models. DMA methodology assigns time-variable weights (posterior probabilities) to all individual models according to their prediction abilities in previous periods where Kullback-Leibler informative criterion is used for weights assignment. DMA methodology makes possible to use the predictive abilities of all considered models that may vary over the different phases of the business cycle. Lastly, the comparison of different prior densities is made in real-time (vintage) datasets in three arbitrary chosen time points. |
| Keywords: | Dynamic Model Averaging; Bayesian macroeconometrics; Bayesian Vector autoregression; comparison of prediction abilities |
Information about study
| Study programme: | Kvantitativní metody v ekonomice/Statistika |
|---|---|
| Type of study programme: | Doktorský studijní program |
| Assigned degree: | Ph.D. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Informatics and Statistics |
| Department: | Department of Statistics and Probability |
Information on submission and defense
| Date of assignment: | 17. 3. 2014 |
|---|---|
| Date of submission: | 20. 11. 2017 |
| Date of defense: | 2. 2. 2018 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/47115/podrobnosti |