BCB - Abstracts

 

Working Paper 372

Microfounded Forecasting


Wagner Piazza Gaglianone and João Victor Issler


Abstract

In this paper, we propose a microfounded framework to investigate a panel of forecasts (e.g. model-driven or survey-based) and the possibility to improve their out-of-sample forecast performance by employing a bias-correction device. Following Patton and Timmermann (2007), we theoretically justify the modeling of forecasts as function of the conditional expectation, based on the optimization problem of individual forecasters. This approach allows us to relax the standard assumption of mean squared error (MSE) loss function and, thus, to obtain optimal forecasts under more general functions. However, different from these authors, we apply our results to a panel of forecasts, in order to construct an optimal (combined) forecast. In this sense, a feasible GMM estimator is proposed to aggregate the information content of each individual forecast and optimally recover the conditional expectation. Our setup can be viewed as a generalization of the three-way forecast error decomposition of Davies and Lahiri (1995); and as an extension of the bias-corrected average forecast of Issler and Lima (2009). A real-time forecasting exercise using the Brazilian Focus survey illustrates the proposed methodology.

Resumo

Este artigo propõe um arcabouço econométrico com microfundamentos para investigar um painel de projeções e a possibilidade de melhorar sua capacidade preditiva fora da amostra via correção de viés. Para tanto, justifica-se teoricamente a modelagem da projeção individual como função da esperança condicional, com base no problema de otimização do indivíduo participante do painel (Patton e Timmermann, 2007). Tal abordagem, permite relaxar a hipótese usual de função perda quadrática e investigar funções mais gerais, por exemplo, com assimetria. No entanto, diferentemente dos referidos autores, utiliza-se um painel de projeções individuais com o intuito de se construir uma combinação ótima de projeções. Neste sentido, um modelo em GMM (Método Generalizado dos Momentos) é proposto para agregar de forma ótima as projeções individuais e fornecer uma projeção combinada da variável de interesse. A metodologia proposta pode ser vista como uma generalização da decomposição do erro de projeção de Davies e Lahiri (1995) e uma extensão da combinação de projeções de Issler e Lima (2009). Por fim, um exercício empírico utilizando dados brasileiros da pesquisa Focus ilustra a metodologia proposta.