Er GDPNow en officiel prognose fra Atlanta Fed eller bankens præsident?
Nej, det er ikke en officiel prognose fra Atlanta Fed, bankens præsident, Federal Reserve System eller FOMC.
Gennemføres der en vurdering for at justere prognoserne?
Nej. Når GDPNow-modellen begynder at forudsige BNP-væksten for et bestemt kvartal, justeres koden ikke før efter det “forudgående” skøn. Hvis vi forbedrer modellen over tid, vil vi indføre ændringer lige efter “advance”-skønnet, så prognoserne for det efterfølgende kvartal anvender en fast metode i hele deres udvikling.
Hvornår begynder og slutter nowcasts af BNP-væksten i et bestemt kvartal?
GDPNow nowcasts af den reale BNP-vækst i et bestemt kvartal begynder ca. 90 dage før “advance”-estimatet af BNP-væksten for kvartalet offentliggøres; de slutter på den sidste bankdag med en dataudgivelse GDPNow udnytter, der går forud for datoen for offentliggørelsen af Bureau of Economic Analysis (BEA)’s “advance”-estimat af BNP-væksten. Bortset fra efter årlige benchmark- eller omfattende revisioner af BNP, der typisk finder sted i slutningen af juli, begynder GDPNow-nowcasts for et kvartal generelt på den hverdag, der følger efter offentliggørelsen af det forudgående skøn over BNP-væksten for det foregående kvartal. Efter omfattende eller benchmark-revisioner af BNP kan den første GDPNow-nowcast for det efterfølgende kvartal blive forsinket i ca. en uge, indtil BEA offentliggør reviderede “underliggende detailtabeller” for National Income and Product Accounts.
For eksempel fandt GDPNows første nowcast af den reale BNP-vækst i første kvartal af 2018 sted mandag den 29. januar 2018, den første hverdag efter fredag den 26. januar 2018, hvor det foreløbige skøn over den reale BNP-vækst i fjerde kvartal af 2017 blev offentliggjort. Det endelige GDPNow-nowcast af den reale BNP-vækst i første kvartal 2018 blev foretaget den 26. april 2018, og det forudgående skøn over den reale BNP-vækst i første kvartal 2018 blev offentliggjort den 27. april 2018.
Hvor ofte opdateres GDPNow-prognosen?
Modelprognosen opdateres seks eller syv gange om måneden på hverdage, med mindst én efter syv dataudgivelser: Manufacturing ISM Report on Business, U.S. International Trade in Goods and Services (FT900), Wholesale Trade, Monthly Retail Trade Report, New Residential Construction, Advance Report on Durable Goods Manufacturers, og Personal Income and Outlays. Andre dataudgivelser, såsom Industriproduktion og kapacitetsudnyttelse og Salg af eksisterende huse, er også indarbejdet i modellen, og deres indvirkning på modellens prognose vil blive vist på den næste ugedag med en af dataudgivelserne. De proprietære prognoser fra Blue Chip Economic Indicators og Blue Chip Financial Forecasts, der er vist i diagrammet, er tilgængelige fra Aspen Publishers.
Hvordan kan jeg få adgang til historiske prognoser fra GDPNow-modellen?
Disse prognoser er tilgængelige i dette regneark, der kan downloades. Se fanen “ReadMe” i regnearket for at finde hyperlinks til de historiske prognoser og andre data for modellen. Især fanen “TrackingDeepArchives” indeholder prognoser for perioden 2011:Q3-2014:Q1 (før modellen gik i luften), fanen “TrackingArchives” indeholder prognoser fra 2014:Q2 til og med det sidste kvartal, for hvilket BEA har offentliggjort et forudgående skøn over BNP, og fanen “TrackRecord” indeholder en sammenligning af de historiske GDPNow-modelprognoser med de faktiske “forudgående” skøn over den reale BNP-vækst fra BEA.
Hvor kan jeg læse om de metoder og kildedata, der anvendes i modellen?
Der findes en detaljeret beskrivelse i et arbejdspapir, der beskriver modellen. Sammenfattende kan man sige, at BEA’s NIPA Handbook indeholder meget detaljeret dokumentation om både de kildedata og metoder, der anvendes til at estimere underkomponenterne i BNP. Den afdøde nobelprisvindende økonom Lawrence Klein var banebrydende for mange af de “bridge equation”-metoder, der anvendes til at udarbejde kortsigtede prognoser for BNP-væksten ved hjælp af disse kildedata; i et dokument fra 1989, som han var medforfatter til sammen med E. Sojo, beskrives denne fremgangsmåde. Kathleen Navin, økonom hos Macroeconomic Advisers, giver i denne præsentation fra 2017 et fugleperspektiv, der illustrerer, hvordan man i praksis kan bruge en broligningsmetode til at forbedre BNP-prognoser. De økonometriske teknikker, der anvendes i vores GDPNow-model, er i høj grad tilpasset de BNP-nowcasting-modeller, der er beskrevet i en artikel i Minneapolis Fed Quarterly Review fra 1996 af Preston J. Miller og Daniel M. Chin og et dokument fra 2008 af bestyrelsens David Small og økonomerne Domenico Giannone og Lucrezia Reichlin.
Hvor kan jeg finde alternative prognoser for BNP-væksten?
For modelprognoser fra andre reservebanker, se New York Fed Nowcasting Report, St. Louis Fed Economic News Index: Real GDP Nowcast, Philadelphia Research Intertemporal Stochastic Model (PRISM) og Federal Reserve Bank of Clevelands prognosemodel for BNP-vækst baseret på rentekurvens hældning. Moody’s Analytics og Now-Casting.com udarbejder egne kortfristede BNP-prognoser efter en model. For undersøgelsesbaserede prognoser henvises til Philadelphia Fed’s kvartalsvise Survey of Professional Forecasters, som omfatter prognoser for det reale BNP og dets vigtigste delkomponenter. Wall Street Journal’s Economic Forecasting Survey udkommer hver måned, og Moody’s Analytics/CNBC Rapid Update-undersøgelsen udkommer normalt flere gange om ugen. Ingen af disse undersøgelser omfatter prognoser for underkomponenterne i BNP.
Hvor nøjagtige er GDPNow-prognoserne? Er de mere præcise end “professionelle” prognoser?
Diagrammet nedenfor viser GDPNows realtidsprognoser, der er lavet lige før offentliggørelsen af det første skøn over den årlige vækstrate for det reale BNP sammen med de første skøn fra U.S. Bureau of Economic Analysis.
Siden vi begyndte at følge BNP-væksten med versioner af denne model i 2011, er den gennemsnitlige absolutte fejl i de endelige GDPNow-prognoser 0,81 procentpoint. Den gennemsnitlige kvadratiske rodfejl i prognoserne er 1,24 procentpoint. Disse nøjagtighedsmålinger dækker de oprindelige skøn for 2011:Q3-2020:Q4. Der findes en yderligere analyse af GDPNows prognosefejl i makroblogindlæg her og her. Vi har foretaget nogle forbedringer af modellen i forhold til de tidligere versioner, og modellens prognoser er blevet mere nøjagtige med tiden (den komplette track record findes her). Ved back-testing med reviderede data er den gennemsnitlige kvadratiske fejl i modellens prognose uden for stikprøven med den samme datadækning, som en analytiker ville have lige før det “forudgående” skøn, 1,15 procentpoint for perioden 2000:Q1-2013:Q4. Figuren nedenfor viser, hvordan prognoserne bliver mere nøjagtige, efterhånden som intervallet mellem datoen for prognosens udarbejdelse og den kommende offentliggørelsesdato for BNP bliver mindre.
Samlet set giver disse nøjagtighedsmålinger ikke overbevisende beviser for, at modellen er mere nøjagtig end professionelle prognosemagere. Modellen ser dog ud til at klare sig godt i forhold til andre konventionelle statistiske modeller.
Hvordan håndteres revisioner af data, der endnu ikke er afspejlet i den seneste BNP-udgivelse?
Generelt set forsøger modellen ikke at foregribe, hvordan dataudgivelser efter den seneste BNP-rapport vil påvirke revisionerne i den kommende BNP-udgivelse. Undtagelsen er underkomponenten “ændring i private lagerbeholdninger”, hvor revisioner af det foregående kvartals tal påvirker BNP-væksten i det indeværende kvartal. Brugere af GDPNow-prognosen bør generelt bruge prognoserne for ændringen i “nettoeksporten” og ændringen i “ændringen i private lagre” og ikke prognoserne for niveauerne. Revisioner af detailsalget bruges til at foregribe revisioner af de reelle månedlige udgifter i “PCE-kontrolgruppen”, og revisioner af påbegyndte boliger bruges til at foregribe revisioner af den månedlige værdi af de private boligbyggeriudgifter, der er sat i værk.
Deler du din kode?
På nuværende tidspunkt, nej. Excel-regnearket giver dog de numeriske detaljer – herunder rådata og modelparametre – om, hvordan de månedlige data kortlægges til prognoser for underkomponenterne i BNP.
Hvad er forskellene mellem GDPNow og FRBNY Nowcast-modellerne? Hvorfor har de to modeller forskellige prognoser?
FRBNY Nowcast-modellen for den reale BNP-vækst er baseret på en dynamisk faktormodel, der er beskrevet i dette blogindlæg fra Liberty Street. Chicago Fed National Activity Index og Aruoba-Diebold-Scotti Business Conditions Index er begge indikatorer for den økonomiske aktivitet, der estimeres ud fra faktormodeller. Den seneste nowcast fra FRBNY Nowcast-modellen sammen med nogle relaterede Q&A er tilgængelig her.
Atlanta Fed’s GDPNow bruger også en dynamisk faktormodel – baseret på en model fra en af de økonomer fra New York Fed, der er medforfatter til Liberty Street-blogindlægget – men bruger kun faktoren som input til at udfylde de endnu ikke offentliggjorte månedlige kildedata for BNP. Estimaterne af denne dynamiske faktor er tilgængelige i fanen Factor-fanen i denne Excel-fil.
De månedlige kildedata bruges derefter til at estimere underkomponenterne af BNP, som derefter aggregeres op til et nowcast af den reale BNP-vækst. Ud over en dynamisk faktormodel anvender GDPNow flere andre økonometriske teknikker, herunder “broligninger” og Bayesianske vektorautoregressioner, til at nowcaste underkomponenterne i BNP. De nøjagtige metoder er beskrevet i dette arbejdspapir. De numeriske detaljer – herunder rådata og modelparametre – der omsætter de månedlige data til nowcasts af underkomponenterne af BNP i den seneste GDPNow-prognose findes i denne Excel-fil (se fanen ReadMe).