英国GDP月度预测的新证据

本文介绍了英国国家经济研究所（NIESR）对英国国内生产总值（GDP）进行实时预测（nowcasting）的方法和结果。研究使用28种统计模型，结合公共和私营部门数据，对20个工业部门的月度增加值（GVA）增长率进行预测，并最终汇总得到整体GDP预测。

数据方面，研究使用了2019年6月至2024年3月共57个月的数据，采用一个月提前的伪外生样本预测方法，即基于一个月前的数据生成当月预测。模型包括单变量模型、有限信息多变量模型和全信息模型，并考虑了异常值处理、递归估计和滚动窗口估计等不同方法。

核心发现如下：

1. 异常值处理：在新冠疫情期间（2020-2021年）显著提升预测精度，但在后疫情时期（2022-2024年）效果有限。
2. 单模型表现：在所有部门汇总后，递归底向上ARMA(1,1)模型优于基准顶层ARMA(1,1)模型；大数据方法中，顶层动态Lasso结合主成分分析（PCA）表现最佳。
3. 组合算法：三种组合算法（累积RMSFE选择、动态模型平均RMSFE、动态模型平均MAE）在疫情期间表现差异不大，但DMA-MAE算法在疫情初期误差更小。
4. 与基准对比：DMA-MAE算法在后疫情时期显著优于顶层ARMA(1,1)模型，但在疫情期间仍不及NIESR的判断增强型预测。
5. 部门预测：部分行业模型的预测精度优于英国国家统计局（ONS）的首次预测。

政策建议：

1. 采用“自下而上”的预测方法。
2. 使用简单时间序列模型或预测组合方法预测各行业。
3. 应用K近邻算法处理异常值。
4. 在模型无法捕捉的冲击时加入判断。
5. 在宏观经济波动加剧时考虑更多输入变量和大数据“自上而下”预测方法。

研究结论表明，结合大数据和预测组合方法能有效提升实时GDP预测精度，但完全依赖统计模型难以应对极端经济波动，需结合专业判断。