Essays on nowcasting and forecasting business cycles and real economy

Abstract

Bu doktora tezi, konjonktür hareketleri ve reel ekonomiyi anlık tahmin etme ve öngörüsünde bulunma üzerine iki makaleden oluşmaktadır. İlk makale, Yrd. Doç. Dr. Cem Çakmaklı ve Prof. Sumru Güler Altuğ ile ortak çalışma olup, ekonomik ve finansal koşullar, döngüsel daralma ve büyüme rejimleriyle birlikte yakalayabilen endekslerin ortak tahmini için birleşik bir çerçeve önermektedir. Önerilen çerçeve ile Türkiye ekonomisinde reel ekonominin bir daralma ya da genişlemeye girdiği zamanı tahmin etmeyi amaçlamaktayız. İkinci makale, Yrd. Doç. Dr. Cem Çakmaklı ile ortak çalışma olup, ABD ekonomisi için Bayesyen yöntemleri kullanarak gayri safi yurtiçi hasıla büyüme oranının yoğunluğunu aylık frekansta anlık tahminini geliştirmek için Profesyonel Tahminciler Anketini (PTA) dahil eden anlık tahmin modeli oluşturmaktadır.Daha ayrıntılı olarak, birinci makale karma frekanslarda olan geniş bir ekonomik ve finansal değişkenler kümesini kullanarak daralmaların gerçek zamanlı tahmini için bir yöntem önermektedir. Bu yöntem, ekonomik ve finansal koşulların çıkarılması için dinamik faktör modelini, döngüsel davranışları yakalamak için özel bir Markov rejim değiştirme spesifikasyonu ile birleştirmektedir. Model, ekonomik ve finansal koşulları yöneten tek bir ortak döngüyü tahmin eden veya ekonomik ve finansal döngüleri birbirinden izole ederek çıkaran geleneksel yöntemlerden yola çıkarak, diğer parametrelerle birlikte tahmin edilen finansal koşulların potansiyel faz kaymaları ile birlikte yansıdığı ortak bir döngüye izin vermektedir. Bu da, sistematik olarak konjonktür dalgalanmalarına öncülük eden finansal döngülerin verimli bir şekilde modellenmesiyle zamanında daralma tahminleri sağlamaktadır. Modeli, Türkiye için gerçek zamanlı olarak (farklı) karma frekanslı düzensiz kenarlı veri seti kullanarak incelemekteyiz. Sonuçlar, yaklaşmakta olan daralmaları (büyümeleri) gerçekleşmesinden 3.6 (3.0) ay kadar erken bir zamanda bildirerek spesifikasyonumuzun üstün öngörü gücüne ilişkin kanıtlar sunmaktadır. İkinci makalede, ABD gayri safi yurtiçi hasılasının anlık tahmini için Philadelphia Merkez Bankası tarafından yürütülen anketler ile birlikte stokastik volatilite spesifikasyonuna sahip dinamik bir faktör modeli kullanmaktayız. Daha ayrıntılı olarak, modelimiz farklı ufuklardaki anket beklentileriyle uyumlu tahmini yoğunlukların anlık ve ileriye dönük tahminlerini üretmektedir ve böylece anket beklentilerinin tahmin içeriğini geleneksel dinamik faktör modeline entegre etmektedir. GSYİH büyümesinin değişen volatilitesine uyum sağlamak için temel modele stokastik volatilite yapısı da eklemekteyiz, bu da daha kesin yoğunluk tahmini sağlamak için bireysel tahminciler arasındaki anlaşmazlığı belirsizlik için temsil edici olarak kullanmamızı sağlamaktadır. 1977'den 2017'e kadar gerçek zamanlı uygulamada ABD GSYİH büyümesinin anlık tahminlerinin doğruluğu hakkında sonuçlar çıkarmaktayız. Öngörücü olabilirlik ve Olasılık İntegral Dönüşümleri (OİD) ile farklı spesifikasyonlara göre karşılaştırma, önerilen spesifikasyonların tahmin gücü üzerindeki gelişmelerini ortaya koymaktadır. Bu gelişmenin nedeni, modelin stokastik volatilite yapısı ve PTA tarafından sağlanan verilerin kullanılması sayesinde hızla değişen koşullara geleneksel spesifikasyona göre çok daha hızlı adapte olmasıdır.

This dissertation consists of two essays about nowcasting and forecasting business cycles and real economy. First essay is joint work with Asst. Prof. Cem Çakmaklı and Prof. Sumru Güler Altuğ and it proposes a unified framework for joint estimation of the indexes that can broadly capture economic and financial conditions together with their cyclical regimes of recession and expansion. We aim to estimate the time when the real economy enters a recession or a expansion in Turkish economy by the proposed framework. Second essay is joint work with Asst. Prof. Cem Çakmaklı and it formulates a nowcasting model by incorporating Survey of Professional Forecasters (SPF) for improving the density nowcasting of gross domestic product growth at monthly frequency using Bayesian methods for U.S. economy. More specifically, first essay propose a method for real-time prediction of recessions using large sets of economic and financial variables with mixed frequencies.This method combines a dynamic factor model for the extraction of economic and financial conditions together with a tailored Markov regime switching specification for capturing their cyclical behavior. Departing from conventional methods estimating a single common cycle governing economic and financial conditions, or extracting economic and financial cycles in isolation of each other, the model allows for a common cycle which is reected with potential phase shifts to the financial conditions estimated alongside with other parameters. This in turn provides timely recession predictions by making efficient modeling of the financial cycle systematically leading the business cycle. We examine the model using a mixed frequency ragged-edge dataset for Turkey in real-time. The results show evidence for the superior predictive power of our specification by signaling oncoming recessions (expansions) as early as 3.6 (3.0) months ahead of the actual realization. In the second essay, we utilize a dynamic factor model with stochastic volatility specification for nowcasting U.S. gross domestic product by using the surveys conducted by the Federal Reserve Bank of Philadelphia. Specifically, our model produces now/forecasts of predictive densities that are aligned with survey expectations at difierent horizons, thereby integrating the predictive content of the survey expectations into the conventional dynamic factor model. We further incorporate a stochastic volatility structure into the baseline model to accommodate the changing volatility of the GDP growth, which also enables us to make use of the disagreement between individual forecasters as a proxy for uncertainty to provide more accurate density nowcasts. We provide results on the accuracy of nowcasts of U.S. GDP growth in a real-time exercise from 1977 through 2017. Comparison over diffierent specifications through predictive likelihoods and probability integral transforms (PIT) reveals the improvements on predictive power of proposed specifications. This is due to the fact that the model adapts to the rapidly changing conditions much faster than the conventional specification thanks to the stochastic volatility structure and exploitation of data provided by SPF.