英国国家经济和社会研究所-英国月度GDP预测_基于大数据方法和预测组合算法的自下而上部门建模证据（英）-2025.6_35页_2mb

总结：Nowcasting Monthly UK GDP: Evidence from Bottom-Up Sectoral Modeling with Big Data Methods and Forecast Combination Algorithms

核心内容

本研究构建了一个基于自下而上（bottom-up）方法的月度英国GDP预测模型，旨在提前一个月预测官方首次估计发布前的GDP增长。该模型结合了大数据方法和预测组合算法，以提高预测的准确性和稳健性。

主要观点

• 自下而上模型优于传统方法：在疫情初期，预测组合算法的表现优于单一模型方法；在“正常”时期，组合算法通常不逊色于单一模型。
• 行业层面预测更准确：对于某些行业，算法组合预测的**均方根预测误差（RMSFE）**优于英国国家统计局（ONS）的首次估计。
• 人类判断在总GDP预测中仍不可替代：在预测总GDP方面，人类判断的增强模型（如NIESR GDP Tracker）仍然优于纯统计模型。
• 模型结构影响预测效果：自下而上的ARMA(1,1)模型在疫情时期表现优于自上而下的ARMA(1,1)模型，但高维Dynamic Lasso与PCA模型在自上而下方法中表现更佳。
• 预测组合优于个体模型优化：预测组合算法产生的预测高度相关，但组合方法可能是未来研究更有效的方向，而不是单纯改进个体模型。

关键信息

数据

• 使用的是20个SIC行业的GVA数据，时间跨度为1997-2024年。
• 预测模型基于实时数据，包括来自官方和私营部门的指标。
• 预测数据集覆盖了疫情前、疫情中和疫情后，时间跨度为57个月（2019年6月至2024年3月）。
• 数据修订是重要的考虑因素，尤其在疫情冲击后，数据的稳定性较低。

模型

• 采用28种统计模型，包括：
  • 4种单变量模型（AR(1), MA(1), ARMA(1,1), AR(p)）
  • 2种有限信息多变量模型（信息理论模型选择、Dynamic Lasso）
  • 1种全信息模型（Dynamic Lasso与PCA结合）
• 所有模型均基于不同时间窗口（滚动窗口与递归窗口）进行估计。
• 异常值处理显著提升了预测精度，尤其是在疫情初期。

预测组合算法

• Cumulative RMSFE Selection：选择过去表现最准确的模型进行预测。
• Dynamic Model Averaging RMSFE：根据模型的RMSFE加权组合预测。
• Dynamic Model Averaging MAE：根据模型的平均绝对误差（MAE）加权组合预测，更稳健于异常值。
• Best Models算法作为稳健性检验，选择每个行业最准确的预测模型。

实证结果

• 疫情初期（2020-2021），预测组合算法的RMSFE优于单一模型。
• 疫情后（2022-2024），单一模型的RMSFE下降，但NIESR的预测仍然最优。
• 总GDP预测中，人类判断的增强模型（如NIESR GDP Tracker）表现优于纯统计模型。
• 模型结构差异：自下而上的ARMA(1,1)模型优于自上而下的ARMA(1,1)模型，但自上而下的Dynamic Lasso与PCA模型在疫情时期表现更优。

结构与方法

• 模型构建：每个行业独立建模，便于灵活调整，但可能损失跨行业信息。
• 预测方法：使用伪样本外预测（pseudo out-of-sample），确保预测的现实性。
• 数据处理：采用异常值检测与替换，使用**K-最近邻（K-Nearest Neighbour）**算法进行填补。
• 模型评估：通过RMSFE和MAE评估模型的预测误差，比较不同方法的性能。

结论

• 预测组合算法在提高月度GDP预测精度方面具有潜力，尤其在疫情冲击下。
• 人类判断在总GDP预测中仍不可替代，但行业层面的预测可以借助统计模型提升。
• 自下而上模型在某些行业表现优于自上而下模型，但模型结构的选择需根据具体行业特性。
• 未来研究应关注预测组合而非单纯优化个体模型，以提升整体预测性能。

模型与方法简要列表

• 数据：20个行业GVA数据，时间范围1997-2024年。
• 模型类型：
  • 单变量模型（AR(1), MA(1), ARMA(1,1), AR(p)）
  • 有限信息多变量模型（ITMS, Dynamic Lasso）
  • 全信息模型（Dynamic Lasso with PCA）
• 预测方法：
  • 伪样本外预测（pseudo out-of-sample）
  • 异常值处理与替换
  • 预测组合算法（Cumulative RMSFE Selection, Dynamic Model Averaging RMSFE, Dynamic Model Averaging MAE）
• 评估指标：RMSFE（均方根预测误差）和MAE（平均绝对误差）

适用场景与意义

• 政策制定者：可用于短期经济预测，辅助决策。
• 行业分析师：可提供更精确的行业层面预测，用于经济模型的输入。
• 学术研究：为统计模型与人类判断在宏观预测中的作用提供了实证依据。