Predikce inflace v USA pomocí VAR modelů

Martin Michálek

Master's thesis

Inflation prediction in USA using VAR models

Abstract:

Tato diplomová práce se zabývá problematikou predikce inflace v USA. Cílem diplomové práce je predikovat krátkodobý vývoj inflace za pomocí VAR(p) modelů. Testovány a srovnávány jsou různé modely (s různým počtem zpoždění) za použití několika odlišných metod odhadu parametrů. Odhad parametrů VAR(p) modelů je proveden nejen klasicky pomocí MNČ, MNAO, ale také pomocí metod strojového učení, konkrétně hřebenové regrese. Čtvrtletní bodová predikce je sestrojena podle modelu s nejnižší průměrnou MSE na jedenácti posouvajících se testovacích sadách dat. Využita je přitom metoda forward validace, která poskytuje odhad střední „mimo vzorkové“ (mimo trénovací) chyby. Mimo MSE jsou modely také srovnávány na základě MAE a informačních kritérií (AIC a BIC), tentokrát ale za použití pouze jedné testovací i trénovací sady. Na této jedné trénovací sadě jsou parametry modelů odhadnuty rovněž pomocí bayesovské regrese s využitím apriorního rozdělení Minnesota prior. Teoretická část se věnuje popisu VAR modelů a metodám odhadu parametrů. Mimo jiné je ukázáno, že bayesovká regrese a hřebenová regrese jsou za jistých podmínek ekvivalentní. Také je věnovaná pozornost ekonomické teorii, inflaci a vztahům mezi ukazateli (proměnnými modelů). Zvolené proměnné jsou krom samotné čtvrtletní inflace mezičtvrtletní změny cen energií, mezičtvrtletní změny HDP a diferencované roční reálné úrokové sazby. Jako nejlepší model je zvolen VAR(1) odhadnutý pomocí MNAO, který na poslední čtvrtletí 2023 předpovídá 0,78% čtvrtletní inflaci. Výsledky testovaných VAR(p) modelů naznačují, že v období ekonomické recese je inflace hůře předvídatelná, nehledě na aplikovanou metodu odhadu či zpoždění.

Abstract:

This thesis focuses on forecasting inflation in the US. The aim of the thesis is to predict short-term inflation using VAR(p) models. Models with different numbers of lags are tested and compared using multiple parameter estimation methods, including classical OLS, LAD, and machine learning methods, specifically ridge regression. A quarterly point prediction is generated based on the model with the lowest MSE across eleven shifting datasets. For this purpose, a forward validation resampling technique is employed, which estimates the mean out-of-sample error. Apart from MSE, the models are also evaluated based on MAE and information criteria (AIC and BIC), but this time only using a single test and training set. In the setting of one training dataset, the parameters of the models are also estimated by a Bayesian regression employing the Minnesota prior distribution. The theoretical section is devoted to VAR models and parameter estimation methods. Among other things, the equivalence between Bayesian regression and ridge regression under specific conditions is highlighted. Besides VAR models and parameter estimation, attention is paid to economic theory, inflation, and the interrelationships among indicators (variables of the models). Alongside quarterly inflation, the selected time series are quarterly changes in energy prices, quarterly changes in GDP, and the differenced one-year real interest rates. Ultimately, the VAR(1) model estimated by LAD is identified as the optimal model, nowcasting a 0.78% quarterly inflation. The results of the tested VAR(p) models suggest that inflation is less predictable during economic recessions, regardless of the estimation method or lag applied.

Keywords

VAR modely, metody odhadu parametrů, predikce inflace, forward validace

Keywords

VAR models, parameter estimation methods, forward validation, inflation prediction

Language used: Czech

Date on which the thesis was submitted / produced: 4. 12. 2023

Thesis defence

• Date of defence: 31. 1. 2024
• Supervisor: Miroslav Plašil
• Reader: Tomáš Karel

Vysoká škola ekonomická v Praze

Master programme:
Statistika