Mere følsom modellering for bedre økonomisk prognose

Hvordan kan beslutningstagere undgå at være forkert af 'sorte svaner' begivenheder som den globale finanskrise, når deres modellering viser sig at være begrænset og stiv? Et projekt anvender sofistikerede algoritmer, der bruger lokaliserede data til bedre prognoser.

Den globale finanskrise (GFC), der startede i 2008, førte til en genovervejelse af økonomiske prognoser. Modellering har længe været et standardstyringsværktøj for centralbanker til at foretage vurderinger af verdensomspændende og indenlandske økonomiske udsigter, som så understøtter pengepolitikken.

Imidlertid, med økonomier i konstant udvikling, hvis modellerne ikke indeholder evnen til at afspejle disse ændringer, de efterfølgende politikker, selvom det måske passer til fortiden, kan ikke længere være levedygtig. En stor del af udfordringen for økonomiske prognoser ligger i vanskeligheden ved at identificere disse ændringer, de individuelle triggere, der er med til at forme makroøkonomi, kræve korrigerende politikker for at udligne negative konsekvenser.

Det EU-finansierede Post-GFC Monetary Policy-projekt foreslog en ny metode, som ved at inkludere lokale data, søgte en hurtigere reaktion på makroøkonomiske ændringer end eksisterende metoder tillod. Projektet fandt ud af, at det bar frugt, når man tog priser på sundhedsydelser som en indikator for politisk succes, men var mindre anvendelig til pengepolitik, når man ser på økonomiske data.

Brug af lokale data som forudsigere for forandring

Et af problemerne med traditionelle økonomiske modeller er, at mange opererer efter lineære regressionsprincipper, med konstante koefficienter. Her, effekter anses for at være konstante over tid. Imidlertid, som Marie Curie Fellow Dr. Isabel Casas siger, "Rent faktisk, i den virkelige verden, effekter ændrer sig over tid, efterhånden som de reagerer på det bredere økonomiske klima eller pludselige uventede økonomiske eller finansielle chok." disse modeller kan kun afspejle meget generelle tendenser, skabe noget, der ligner en gennemsnitlig værdi af de skiftende effekter.

En metode til at imødegå denne begrænsning er at anvende ikke-parametrisk regression, hvorved selve modellen faktisk er konstrueret af dataene, snarere end at være bygget ud fra forudbestemte forudsigelser. Forklarer effektiviteten af ​​metoden Dr. Casas siger, "Forholdet mellem to variabler ændrer sig over tid, om det er dage, uger eller år. De metoder, vi brugte, kan registrere disse ændringer automatisk, giver et mindre partisk billede af virkeligheden."

Projektets information kom fra lokaliserede data som en måde at repræsentere tidsvarierende effekter. Forskerne lavede en statistisk pakke kaldet tvReg, bruger programmeringssproget R, som anvendte tidsvarierende koefficientalgoritmer til dataene. På grund af deres programmeringskompleksitet, disse algoritmer har været, indtil nu, stort set forbeholdt specialister.

Den pengepolitiske anvendelse af metoden anvendte finansielle data, herunder variabler, der måler industriel produktion, korte og lange renter, inflation, valutadata og Credit Default Swaps. Imidlertid, forskerne fandt ud af, at modelleringen ikke frembragte andre prædiktive resultater end dem, der blev genereret af traditionel modellering, konkluderede, at denne tidsvarierende teknik ikke gav en væsentlig fordel for disse data.

På den anden side, når det kom til den sundhedspolitiske ansøgning, en tilgang, de tog, var at se på, i hvilket omfang sundhedspleje kan betragtes som en luksusvare inden for EU- og OECD-landene.

Deres resultater adskiller sig fra tidligere resultater i litteraturen, hvor sundhedsvæsenet altid var placeret (baseret på pris) som et luksusgode i EU. Dr. Casas konkluderer, "Det er klart, at EU-landene konvergerer til fælles politikker, med prisen på sundhedspleje nogenlunde stabil gennem årene og billigere end i de bredere OECD-lande, så vi kan se, at sundhedspolitikkerne efter 2008 i EU bevæger sig i den rigtige retning."

Det næste trin i forskningen er at fokusere på modellering, der forudsiger processernes adfærd i andre sammenhænge, såsom dem til vedvarende energiproduktion baseret på oceaniske data, som indeholder oplysninger om svulme, tidevand, vind- eller bølgehøjde. Dette vil vise sig at være gavnligt for både producenter og forbrugere på EU's elmarked.