Paulina Ziembińska https://orcid.org/0000-0002-8394-4909
ARTYKUŁ

(Angielski) PDF

STRESZCZENIE

Celem pracy jest ilościowa analiza rewizji danych makroekonomicznych w czasie rzeczywistym dla Polski pochodzących z nowego zbioru utworzonego na podstawie „Biuletynu statystycznego” GUS i obejmującego okres od 1995 do 2017 r. Polskie dane pozytywnie weryfikują wiele hipotez dotyczących wpływu rewizji danych na proces modelowania. Procedury oceniające własności szeregów czasowych mogą dawać istotnie różne wyniki w zależności od tego, jak bardzo rewidowane dane zostaną użyte. Porównanie dopasowanych modeli ARIMA dla szeregów pierwszych i finalnych odczytów wskazuje, że w przypadku większości zmiennych dopasowane modele są podobne. Gdy postać modelu jest taka sama dla obu szeregów, współczynniki zachowują skalę i znak. Większość różnic we współczynnikach wynika z odmiennej struktury dopasowanego modelu, co wpływa na różnice w strukturze autoregresyjnej i może mieć niemały wpływ na wnioskowanie ex ante. Potwierdza to eksperyment prognostyczny. Dla dużej części zmiennych całkowity wpływ rewizji na proces prognozowania wynosi powyżej 10%. Nie są też wyjątkiem ekstremalne przypadki, w których ten wpływ przekracza 100%, czy sytuacje, w których dane bezpośrednio wpływają na znak prognozy. Uwzględnienie tych wyników przez prognostów mogłoby znacząco poprawić jakość predykcji. Horyzont prognozy ma niewielki wpływ na te konkluzje. Artykuł jest kontynuacją pracy autorki z 2017 r.

SŁOWA KLUCZOWE

rewizje danych, dane w czasie rzeczywistym, analiza szeregów czasowych, prognozowanie

JEL

C10, C53, C82

BIBLIOGRAFIA

Amir-Ahmadi, P., Matthes, C. & Wang, M. (2015). Measurement errors and monetary policy: Then and now (FRB Richmond Working Paper 15–13). https://fraser.stlouisfed.org/title/working-papers-federal-reserve-bank-richmond-3942/measurement-errors-monetary-policy-531441 .

Banerjee, A., Dolado, J. J., Galbraith, J. W. & Hendry, D. (1993). Co-integration, error correction, and the econometric analysis of non-stationary data. Oxford: Oxford University Press. https://doi.org/10.1093/0198288107.001.0001 .

Chang, A. C., Li, P. (2018). Measurement Error in Macroeconomic Data and Economics Research: Data Revisions, Gross Domestic Product, and Gross Domestic Income. Economic Inquiry, 56(3), 1846–1869. https://doi.org/10.1111/ecin.12567 .

Charemza, W. W., Syczewska, E. M. (1998). Joint application of the Dickey-Fuller and KPSS tests. Economics Letters, 61(1), 17–21. https://doi.org/10.1016/S0165-1765(98)00149-9 .

Clark, T. E., McCracken, M. W. (2010). Testing for Unconditional Predictive Ability (Federal Reserve Bank of St. Louis Working Paper No. 2010-031A). https://doi.org/10.20955/wp.2010.031 .

Cole, R. (1969). Data Errors and Forecasting Accuracy. In J. A. Mincer (Ed.), Economic forecasts and expectations: analysis of forecasting behavior and performance (pp. 47–82). Cambridge: NBER. https://www.nber.org/system/files/chapters/c1215/c1215.pdf .

Croushore, D. (2010). An evaluation of inflation forecasts from surveys using real-time data. The B.E. Journal of Macroeconomics, 10(1), 1–32. https://doi.org/10.2202/1935-1690.1677 .

Croushore, D. (2011). Frontiers of Real-Time Data Analysis. Journal of Economic Literature, 49(1), 72–100. https://doi.org/10.1257/jel.49.1.72 .

Croushore, D., Stark, T. (2001). A real-time data set for macroeconomists. Journal of Econometrics, 105(1), 111–130. https://doi.org/10.1016/S0304-4076(01)00072-0 .

Croushore, D., Stark, T. (2002). Forecasting with a real-time data set for macroeconomists. Journal of Macroeconomics, 24(4), 507–531.

Elliott, G., Rothenberg, T. J. & Stock, J. H. (1992). Efficient tests for an autoregressive unit root (NBER Working Paper Np. T130). https://papers.ssrn.com/sol3/papers.cfm?abstract_id=995460 .

Farebrother, R. W. (1980). Algorithm AS 153: Pan’s Procedure for the Tail Probabilities of the Durbin-Watson Statistic. Journal of the Royal Statistical Society. Series C (Applied Statistics), 29(2), 224–227. https://doi.org/10.2307/2986316 .

GUS. (2003–2017). Biuletyn statystyczny.

GUS. (2016). Policy of Revising Statistical Data and Rules of Handling Publication Errors. https://bip.stat.gov.pl/dzialalnosc-statystyki-publicznej/polityka-rewizji-danych-statystycznych-oraz-zasady-postepowania-z-bledami-publikacyjnymi/ .

Hope, A. C. A. (1968). A Simplified Monte Carlo Significance Test Procedure. Journal of the Royal Statistical Society. Series B (Methodological), 30(3), 582–598. https://doi.org/10.1111/j.2517-6161.1968.tb00759.x .

Hyndman, R. J., Athanasopoulos, G. (2018). Forecasting: principles and practice. Melbourne: OTexts.

Jönsson, K. (2011). Testing Stationarity in Small-and Medium-Sized Samples when Disturbances are Serially Correlated. Oxford Bulletin of Economics and Statistics, 73(5), 669–690. https://doi.org/10.1111/j.1468-0084.2010.00620.x .

MacKinnon, J. G. (1996). Numerical distribution functions for unit root and cointegration tests. Journal of Applied Econometrics, 11(6), 601–618.

Mahdi, E., McLeod, A. I. (2012). Improved multivariate portmanteau test. Journal of Time Series Analysis, 33(2), 211–222. https://doi.org/10.1111/j.1467-9892.2011.00752.x .

Nelson, C. R., Plosser, C. I. (1982). Trends and random walks in macroeconomic time series: Some Evidence and Implications. Journal of Monetary Economics, 10(2), 139–162. https://doi.org/10.1016/0304-3932(82)90012-5 .

Patterson, K. D., Heravi, S. M. (1991). Data revisions and the expenditure components of GDP. The Economic Journal, 101(407), 887–901. https://doi.org/10.2307/2233861 .

Patterson, K. D., Heravi, S. M. (2004). Revisions to Official Data on U.S. GNP: A Multivariate Assessment of Different Vintages. Journal of Official Statistics, 20(4), 573–602. https://www.scb.se/contentassets/ca21efb41fee47d293bbee5bf7be7fb3/revisions-to-official-data-on-u.s.-gnp-a-multivariate-assessment-of-different-vintages.pdf .

Phillips, P. C. B., Xiao, Z. (1998). A primer on unit root testing. Journal of Economic Surveys, 12(5), 423–470. https://doi.org/10.1111/1467-6419.00064 .

Ryan, K. F., Giles, D. E. A. (1998). Testing for unit roots in economic time-series with missing observations. Advances in Econometrics, 13, 203–242. https://doi.org/10.1108/S0731-9053(1999)0000013010 .

Syczewska, E. M. (2010). Empirical power of the Kwiatkowski-Phillips-Schmidt-Shin test (Warsaw School of Economics Department of Applied Econometrics Working Papers, No. 3–10). https://ssl-kolegia.sgh.waw.pl/pl/KAE/struktura/IE/struktura/ZES/Documents/Working_Papers/aewp03-10.pdf .

Wüertz, D., Katzgraber, H. G. (2005). Precise finite-sample quantiles of the Jarque-Bera adjusted Lagrange multiplier test. https://arxiv.org/pdf/math/0509423.pdf .

Ziembińska, P. (2017). The importance of data revision in the modeling process. Wiadomości Statystyczne, 62(2), 5–30. https://ws.stat.gov.pl/Article/2017/2/005-030 .

Do góry
Copyright © 2019 Główny Urząd Statystyczny