earticle

영어

This paper compares the forecast performance of small-scale Bayesian VAR models under various data transformations including level and difference (both with and without structural breaks), the Hodrick-Prescott filter, and linear detrending. The results show that there is no unique data transformation yielding the best forecast in every case, that is, for all variables and at all forecast horizons. Instead, there are rather substantial differences in forecast results across data transformation methods. Some models in detrended data perform reasonably well in several cases. We illustrate that in VAR forecasting, it is a critical consideration for one to use appropriately transformed, or detrended if necessary, data, along with careful model specification. In particular, it is shown that the popular VAR specifications in level or differenced data may be augmented or complemented with alternative VARs in detrended data to improve forecasting.

한국어

이 논문은 VAR 모형을 이용한 예측에서 널리 쓰이는 수준 변수 및 변수를 이용한 모형 설정과 함께, Hodrick-Precsott 필터 및 선형추세 제거 등의 방법으로 추세를 제거한 변수들을 이용한 모형 설정, 변수의 구조적 변화의 고려 등 다양한 예측 모형들을 고려하고, 이들의 예측력을 비교한다. 이러한 모형들의 예측 결과를 비교해 보면, 각 모형별로 상당한 예측력의 차이가 있었으며, 각 변수와 예측 시계별로 우위를 보이는 별도의 추세 제거ㆍ변형 방법이 있는 것으로 나타났다. 특히, 통상적으로 널리 쓰이는 수준 변수 또는 차분 변수를 이용한 모형 외에도, 추세를 제거한 변수들을 사용한 VAR 모형도 상당정도 주목할 만한 성과를 보여주었다. 이상의 결과는 이러한 모형들이, 추세 데이터의 적절한 성격을 감안한 모형 설정을 통해, 통상적인 설정의 VAR 모형과 함께 유용한 예측 모형으로 사용될 수 있음을 시사하고 있다.