Nowcasting Macroeconomic Variables Using High-Frequency Fiscal Data

Róbert Ambriško

Makroekonomická data jsou publikována s časovým zpožděním, což vytváří prostor pro krátkodobou prognózu („nowcasting“) makroekonomických proměnných pomocí fiskálních dat, a to z těchto důvodů: a) měsíční a denní fiskální data jsou velmi včasně dostupná ze státního rozpočtu, b) mnoho fiskálních dat je funkcí makroekonomických proměnných. Používám dva krátkodobé modely, můstkové rovnice a MIDAS regresi, které propojují čtvrtletní makroekonomické proměnné s měsíčními fiskálními daty pro Českou republiku. Můstkové rovnice se ukazují jako obzvlášť’ vhodné pro krátkodobou prognózu objemu mezd a platů pomocí sociálních příspěvků; přinášejí 2% zlepšení střední kvadratické odchylky chybovosti čtvrtletních rekurzivních prognóz oproti historickým prognózám ČNB. Dále navrhuji schůdnou metodu pro včlenění denních dat do krátkodobých modelů, která se spoléhá na dekompozici STL od Cleveland a kol. (1990). V závislosti na načasování může být střední kvadratická odchylka chybovosti prognóz pro objem mezd a platů až o 4 % nižší, pokud jsou dostupná denní data o sociálních příspěvcích také zohledněna v krátkodobých modelech.

JEL kódy: C53, C82, E37

Klíčová slova: můstkové rovnice, denní data, fiskální, midas, nowcasting, data v reálném čase, krátkodobá prognóza, STL

Vydáno: červen 2022

Ke stažení: CNB WP 5/2022 (pdf, 817 kB)