Search

Parallel Sessions A: Total Factor Productivity, Potential Outpupt, and Economic Growth

Parallel Sessions D: Measuring Capital

Parallel Sessions D: Measuring Capital

A longstanding finding in the forecasting literature is that averaging forecasts from different models often improves upon forecasts based on a single model, with equal weight averaging working particularly well. This paper analyzes the effects of trimming the set of models prior to averaging. We compare different trimming schemes and propose a new one based on Model Confidence Sets that take into account the statistical significance of historical out-of-sample forecasting performance. In an empirical application of forecasting U.S. macroeconomic indicators, we find significant gains in out-of-sample forecast accuracy from our proposed trimming method., Les études consacrées au travail de prévision ont fait ressortir depuis longtemps que la moyenne des projections de plusieurs modèles a souvent un degré de précision plus élevé que les projections tirées d’un seul modèle, et qu’à ce titre, la technique qui consiste à établir une moyenne en pondérant les prévisions avec les mêmes coefficients donne de très bons résultats. Les auteurs se demandent ce qu’apporterait l’élagage de modèles avant le calcul des projections moyennes. À cette fin, ils comparent différentes méthodes d’élagage et proposent une nouvelle démarche (Model Confidence Set ou approche MCS) fondée sur la sélection de modèles selon un seuil de confiance défini par la valeur statistique de la qualité passée des prévisions hors échantillon. Un exercice empirique - la projection d’indicateurs macroéconomiques pour les États-Unis - leur permet de constater que leur démarche améliore de manière notable la précision des prévisions hors échantillon.