Оценка текущих значений каких бы то ни было индикаторов - задача важная и достаточно нетривиальная. Почему важная? Потому что, к примеру, о темпах роста ВВП в 3 квартале (июль-сентябрь) мы узнаём обычно месяца через полтора после окончания этого квартала, в середине ноября, но эти цифры могут пересчитываться ещё несколько раз на протяжении года.
При всё при этом для принятия каких-то решений, как государством (меры поддержки экономики), так и бизнесом, информация о темпах роста ВВП очень важна и чем раньше она станет доступна - тем оперативнее получится принять правильные решения. Собственно, эта логика касается не только темпов роста ВВП, понятное дело, но и множества других показателей.
Для решений этой проблемы и был придуман наукастинг - методика оценки текущих значений показателя (ещё не опубликованных) на основе более оперативных данных (уже опубликованных). Исследованию вопросов наукастинга российского ВВП и посвящена недавняя статья одного из членов нашей группы:
Полный текст пока выкладывать нельзя, но можно тут посмотреть аннотацию: https://ideas.repec.org/a/ris/apltrx/0402.html
Из результатов, потенциально интересных широкой публике, можно выделить три основные истории.
История первая касается того, какими факторами эффективнее всего описывается историческая динамика ВВП: самые качественные прогнозы получаются при использовании индекса оборота розничной торговли! Казалось бы, в нашей экономике, в значительной степени завязанной на добычу полезных ископаемых, интуитивно ждёшь, что именно факторы, связанные с добывающими отраслями, будут лучше всего предсказывать ВВП - но нет. Ошибки в моделях, основанных на индексе добычи полезных ископаемых, в 2-2.5 раза выше, чем в моделях, основанных на обороте розничной торговли.
А значит, именно оборот розничной торговли можно считать одним из самых интересных факторов при оценке текущего состояния экономики - полезное наблюдение!
Вторая история скорее техническая. Среди довольно широкого спектра рассмотренных моделей самое высокое качество оценки текущих уровней ВВП показали байесовские векторные авторегрессии смешанной частоты (MFBVAR), обойдя более стандартные для машинного обучения вещи типа адаптивного LASSO.
Третья история несколько побочная. Одним из интересных свойств моделей с данными смешанной частоты (MFBVAR) является возможность восстановить (понятное дело, приблизительно) месячные темпы роста ВВП, которые в принципе не собираются и не публикуются - но при этом, опять же, могут быть очень полезны в самых разных приложениях.
Видно, к примеру, как в 1 квартале 2014 года, несмотря на положительный результат в целом, в феврале-марте было небольшое снижение ВВП. То же самое было в июле 2016, несмотря на результирующий рост в 3 квартале 2016. Это всё конечно оценки, но довольно полезные для самых разных приложений.