Forecasting macroeconomic series using advanced econometric models

This thesis aims to model, forecast, and compare economic activity across Greece, Italy, and Germany, with a focus on evaluating common forecasting methodologies used in time series predictions. Despite numerous studies in this area, determining the superiority of one model over another remains challenging due to various influencing factors such as data type, transformations, data frequency, and variable inclusion. To address this challenge, the research incorporates multiple datasets, recognizing that many studies focus solely on predicting macroeconomic variables for specific countries, potentially leading to conclusions that are not universally applicable. By applying diverse models to different countries with unique historical contexts, this study seeks to derive more broadly applicable and robust conclusions across varied economic landscapes. The thesis employs thirty-two statistical and econometric univariate and multivariate models, including Autoregressive models, classical Vector Autoregressive models, Bayesian variants, and machine learning techniques. The determination of hyperparameters and variable selection emerge as critical decisions that influence the results. Hyperparameter selection relies on data-driven approaches based on an out-of-sample measure. Moreover, further results are drawn for fixed-order specifications. Additionally, the study investigates the estimation of models capable of handling numerous covariates using three different datasets, each containing varying numbers of covariates. To achieve comprehensive analysis, the research focuses on forecasting inflation, examining macroeconomic theory, existing forecasting methods, model formalization, dataset selection, and methodology. The thesis concludes with insights drawn from the results presented across various chapters, offering a deeper understanding of forecasting economic activity and highlighting implications for future research and policy considerations.

Previsione delle serie macroeconomiche mediante modelli econometrici avanzati La tesi si propone di modellare, prevedere e confrontare l'attività economica in Grecia, Italia e Germania. A tale scopo, sono stati adottati diversi modelli utilizzati per formulare previsioni sull'inflazione. Una delle sfide che emerge in questi contesti è la valutazione della superiorità di un modello rispetto agli altri. Questa complessità deriva dal fatto che i risultati sono spesso influenzati da variabili come la frequenza di raccolta dei dati, le trasformazioni applicate per stabilizzare le serie storiche e l'inclusione delle variabili indipendenti nei modelli. Un punto di forza della ricerca è l'utilizzo di più dataset, considerando tre diverse nazioni. Al contrario, molti studi si concentrano esclusivamente sulla previsione di variabili macroeconomiche per un singolo paese, solitamente gli Stati Uniti. Tuttavia, tale approccio può portare a conclusioni non universalmente applicabili, poiché le serie storiche macroeconomiche spesso dipendono dai contesti storici unici di ciascun paese. L'inclusione di più nazioni rende le conclusioni di questo studio più robuste, poiché tiene conto di contesti economici diversificati. Un ulteriore punto di forza della tesi riguarda la vasta gamma di modelli econometrici impiegati. Sono stati utilizzati trentadue modelli univariati e multivariati, che comprendono modelli autoregressivi (AR), modelli autoregressivi a vettori (VAR), nonché alcune estensioni di quest'ultimo che incorporano varianti bayesiane, modelli fattoriali e tecniche di machine learning e shrinkage. La determinazione degli iperparametri e la selezione delle variabili da includere nei modelli sono decisioni cruciali che influenzano i risultati. Per affrontare questa sfida, si è adottato un approccio in cui gli iperparametri vengono stimati utilizzando i dati. Inoltre, i trentadue modelli sono stati rieseguiti utilizzando un set di modelli in cui gli iperparametri sono predefiniti. Questo costituisce un ulteriore punto di forza della tesi, poiché tale approccio consente non solo di stimare gli iperparametri basandosi sui dati, ma anche di confrontare tali risultati nel caso in cui gli iperparametri siano stati specificati a priori. Inoltre, la ricerca impiega modelli in grado di gestire numerose covariate, che includono i modelli fattoriali, quelli di regolarizzazione e quelli di machine learning. Una delle criticità emerse dalla letteratura riguarda il numero di covariate da includere in tali modelli. Infatti, sembra preferibile utilizzare un dataset con un ampio numero di variabili, pur assicurandosi che queste siano state selezionate attentamente. Per superare questa problematica, è stato condotto un ulteriore studio: per ciascuna nazione sono stati creati diversi dataset, ciascuno caratterizzato da un numero diverso di variabili. Successivamente, i modelli capaci di gestire molte covariate sono stati stimati per ciascuno dei tre dataset. Questo rappresenta l'ultimo punto di forza della tesi: per ciascun modello proposto, si mira a determinare quale configurazione di dataset sia più idonea per ottenere risultati più accurati. Infine, per garantire un'analisi completa, la ricerca si focalizza sulla previsione dell'inflazione. Inizia con un'analisi della teoria macroeconomica, per poi presentare i metodi di previsione più ampiamente utilizzati nella letteratura. Successivamente, si procede con la formalizzazione dei modelli inclusi nell'analisi, l'introduzione dei diversi dataset e la descrizione della metodologia utilizzata per ottenere i risultati.