Dynamische Heterogenität senkt Nowcast-Fehler um 17 Prozent
16 Modellvarianten für US-BIP-Schätzungen im Härtetest: Freddy García-Albán und Manuel González-Astudillo belegen, dass dynamische Heterogenität Nowcasts am verlässlichsten verbessert. Der quadratische Prognosefehler sinkt um 16,8 Prozent.
Heterogene Dynamik schlägt stochastische Volatilität
Die Ökonomen Freddy García-Albán und Manuel González-Astudillo untersuchen 16 Spezifikationen bayesianischer dynamischer Faktormodelle anhand von 25 US-Zeitreihen für den Zeitraum 2015 bis 2024.
Dynamische Heterogenität liefert dabei über alle Kriterien die stärksten Verbesserungen: Sie senkt den quadratischen Prognosefehler um 16,8 Prozent, den Continuous Ranked Probability Score (CRPS) um 7,6 Prozent und den 90-Prozent-Quantil-Score um 6,2 Prozent.
Die Korrelation des geschätzten Faktors mit dem realen PDFP-Wachstum steigt von -0,10 auf 0,50, die mit dem GDPplus-Indikator von 0,17 auf 0,69. Stochastische Volatilität verringert den quadratischen Fehler zwar um 12,2 Prozent und den CRPS um 3,8 Prozent, bleibt jedoch statistisch weniger eindeutig.
Ausreißerfilter belasten die Prognosegüte
Ein zeitvariabler langfristiger Trend reduziert den Punktschätzungsfehler nach der Pandemie um 37,7 Prozent, verschlechtert jedoch die Dichteprognose im unteren Verteilungsrand um 3 bis 4 Prozent.
Die multiplikative Ausreißerbereinigung verhindert zwar extreme Einzelfehlprognosen von über 100 Prozentpunkten während der Pandemie 2020, erhöht jedoch im Gesamtsample den quadratischen Fehler um 6,4 Prozent und den CRPS um 2,9 Prozent.
Nach 2021 steigen die CRPS-Verluste durch diese Bereinigung sogar um 8,0 Prozent.
Modellvielfalt garantiert keine Präzision
Mehr Modellkomponenten bedeuten nicht automatisch bessere Nowcasts.
Ausreißerfilter und Trendanpassungen erkaufen punktuelle Vorteile mit verzerrten Dichteschätzungen im Normalbetrieb.
Für die Praxis empfiehlt sich die Beschränkung auf wenige, wirksame Bausteine wie dynamische Heterogenität.