BCB - Abstracts

 

Working Paper 400

Not Just Another Mixed Frequency Paper


Sergio Afonso Lago Alves and Angelo Marsiglia Fasolo


Abstract

This paper presents a new algorithm, based on a two-part Gibbs sampler with FFBS method, to recover the joint distribution of missing observations in a mixed-frequency dataset. The new algorithm relaxes most of the constraints usually presented in the literature, namely: (i) it does not require at least one time series to be observed every period; (ii) it provides an easy way to add linear restrictions based on the state space representation of the VAR; (iii) it does not require regularly-spaced time series at lower frequencies; and (iv) it avoids degeneration problems arising when states, or linear combination of states, are actually observed. In addition, the algorithm is well suited for embedding high-frequency real-time information for improving nowcasts and forecasts of lower frequency time series. We evaluate the properties of the algorithm using simulated data. Moreover, as empirical applications, we simulate monthly Brazilian GDP, comparing our results to the Brazilian IBC-BR, and recover what would historical PNAD-C unemployment rates look like prior to 2012.

Resumo

Este trabalho apresenta um novo algoritmo, baseado em Amostrador de Gibbs de duas partes com método FFBS, para recuperar a distribuição conjunta de observações ausentes em um conjunto de dados de frequência mista. O algoritmo novo relaxa a maioria das limitações geralmente apresentados na literatura, a saber: (i) não requer que pelo menos uma série de tempo seja completamente observada a cada período; (ii) fornece uma maneira fácil de adicionar restrições lineares com base na representação de espaço de estados de um VAR; (iii) não requer séries temporais regularmente espaçadas em frequências mais baixas; e (iv) evita problemas de degeneração que surgem quando estados, ou combinação linear de estados, são observados. Além disso, o algoritmo é adequado para a incorporação de alta frequência de informação em tempo real para melhora de nowcasts e previsões de séries temporais de frequência menor. Avaliamos as propriedades do algoritmo usando dados simulados. Além disso, em aplicações empíricas, simulamos o PIB brasileiro com frequência mensal e para comparar com o índice IBC-BR, e recuperamos como a série de tempo mensal da taxa de desemprego PNAD-C seria antes de 2012.