FMI- Documento de Trabajo

Rigideces de Información en Previsiones de Crecimiento Económicas: evidencia de un Panel Grande Internacional

Jonas Dovern, Ulrich Fritsche, Prakash Loungani, and Natalia Tamirisa

FMI Documento de trabajo

Departamento de Investigación

Rigideces de Información en Previsiones de Crecimiento Económicas: evidencia de un Panel Grande Internacional

Elaborado por: Jonas Dovern, Ulrich Fritsche, Prakash Loungani, and Natalia Tamirisa

Febrero 2013

RESUMEN

Examinamos el comportamiento de previsiones del verdadero crecimiento de PIB que usa un panel grande de previsiones individuales de 30 economías avanzadas y emergentes durante 1989-2010. Nuestras conclusiones principales son los siguientes. En primer lugar, nuestra evidencia no apoyan la validez del modelo pegajoso de la información (Mankiw y Reis, 2002) para describir la dinámica de previsiones de crecimiento profesionales. En su lugar, la evidencia empírica es más acorde con implicaciones de los modelos de información ruidosa (Woodford, 2002; Sims, 2003). . En segundo lugar, encontramos que rigideces de la información son más pronunciadas en economías emergentes que economías avanzadas. En tercer lugar existe evidencia de no linealidades en el allanamiento de previsión. Es menos pronunciado en las colas de la distribución de revisiones de previsión individuales que en la parte central de la distribución.

Palabras clave: Previsión, Económica, Información, Expectativas

Este documento de trabajo no debe ser reportado como representación de las opiniones del FMI.

Las opiniones expresadas en este documento de trabajo son las del autor (es) y no representan necesariamente las de la política del FMI o el FMI .El Documento de trabajo describen la investigación en curso por el autor (es) y son publicados para obtener comentarios y más lejos discutir.

INTRODUCCION

Expectativas-y su reflejo en las previsiones a jugar un papel central en la macroeconomía. El desarrollo del concepto de las expectativas racionales en los años 1960 y 1970 se refleja en el desarrollo de pruebas de eficiencia de pronóstico. El análogo natural de las expectativas racionales es el concepto de eficiencia de previsión, que, en su forma más fuerte, se afirma que los errores de pronóstico debe ser ortogonal a toda la información pertinente disponible.

En la práctica, existen limitaciones en la prueba fuerte eficiencia forma, por ejemplo, debido a que el conjunto de información utilizado por los meteorólogos no sea de conocimiento público o disponible. Por lo tanto, Nordhaus (1987) y otros desarrollaron el concepto de eficiencia débil, que establece que los errores de pronóstico debe ser ortogonal a la información contenida en el conjunto del pronosticador de las previsiones anteriores. Nordhaus establece que: la eficiencia -weak es un concepto atractivo, en primer lugar, porque las previsiones del pasado es probable que desempeñar un papel muy importante en la determinación de las previsiones actuales. Los meteorólogos suelen tener una cierta consistencia (viscosidad?) En sus visiones del mundo, por lo que las previsiones recientes llegarán lejos en la explicación de las previsiones actuales. En segundo lugar, de todas las variables que parecen candidatos plausibles para su inclusión en el conjunto de la información de un pronosticador, seguramente los meteorólogos propios puntos de vista deben evaluar muy high.‖

En el caso de las predicciones de eventos fijos (es decir, una secuencia de las previsiones hechas sobre un determinado evento, como el crecimiento del PIB real para un año determinado), Nordhaus desarrolla en dos tests‖ -simple y poderosa de la eficiencia débil. La primera prueba es que el error de pronóstico debe ser independiente de las previsiones anteriores revisiones, y la segunda prueba es que la revisión de previsión de hoy debe ser independiente de las revisiones anteriores previsiones.

Con los años, una serie de explicaciones se han ofrecido para qué previsiones revisiones pueden estar correlacionadas. Una teoría, debido a Mankiw y Reis (2002), afirma que los meteorólogos actualizar su información establece con poca frecuencia porque hay costos de adquisición de información fija. En una segunda teoría, desarrollada en Woodford (2002) y Sims (2003), los meteorólogos actualizar continuamente sus conjuntos de información, pero, ya que reciben señales de ruido sobre el verdadero estado de la economía, sus revisiones previsiones están correlacionados. En un importante conjunto de documentos, Coibion nos y Gorodnichenko (2010, 2012) mostraron que las versiones canónicas de las dos clases de modelos apodaron-respectivamente, como la información ‗sticky 'e información ‗imperfect' modelos tienen la característica que debe correlacionarse el error de pronóstico con la revisión de previsión, que es la primera de las dos pruebas propuestas por Nordhaus.

Una tercera clase de teorías sugiere explicaciones de comportamiento para el pronóstico rigidez, y éstas se mencionan por Nordhaus como una explicación de sus hallazgos. Citando Tversky y Kahneman (1981), afirma que -nos tienden a darle la noticia buena o mala para nosotros poco a poco, tomando demasiado tiempo para permitir sorpresas a ser incorporados en nuestra forecasts.‖ Una cuarta categoría de explicaciones se basa en los meteorólogos tienen no funciones de pérdida estándar, que se desvían del caso de referencia de una función de pérdida que es simétrica y sólo depende de los errores de predicción. Por ejemplo, Nordhaus (1987) conjeturas que pronostican suavizar pudiera surgir porque -a pronóstico más exacto pero jumpy‖ puede ser difícil de explicar a los usuarios de las previsiones. Por otra parte, las funciones de pérdida podrían ser asimétrica: un banco central -hawkish‖ podría, por ejemplo, la previsión de inflación negativa valor errores mayores que los positivos, es decir, haciendo un pronóstico de

inflación que es demasiado bajo puede ser subjetivamente más costoso para este banco central que la inflación sobreestimar .

En resumen, suavizado parece ser una característica de los pronósticos y hay cuatro clases de explicaciones, que no son excluyentes entre sí, por qué podría surgir esta función, a saber. información pegajoso, información imperfecta, razones de comportamiento, y la existencia de funciones de pérdida asimétricas.

En este contexto, este trabajo proporciona evidencia en la correlación de pronóstico revisiones en las previsiones individuales de crecimiento del PIB real para un gran número de países. Nuestro uso de los datos de previsión individuo de 30 países ofrece dos ventajas principales.

En primer lugar, muchas de las teorías subyacentes de pronóstico suavizado se formulan a nivel de los pronósticos individuales. Aunque sus implicaciones globales a menudo se dibujan basan en un promedio a través de los meteorólogos individuales, la estimación media de pronóstico suavizado basado en datos individuales no tiene por qué ser la misma que la estimación del pronóstico suavizado basado en los datos de consenso. El sesgo inducido por la agregación ha sido bien reconocido en la literatura (Crowe, 2010); este sesgo se puede evitar mediante el uso de datos individuales (Andrade y Le Bihan, 2010).

En segundo lugar, la amplia cobertura de países de nuestro estudio proporciona una oportunidad para comparar el grado de suavizado en los pronósticos para las economías avanzadas y emergentes. Encontramos que las correlaciones de pronóstico revisiones para las economías emergentes son más fuertes que los de las economías avanzadas. Las previsiones para las economías emergentes pueden ser menos eficientes que los de las economías avanzadas debido a la pobre calidad de los datos y el cambio estructural más rápido de estas economías.

La evidencia de que proporcionamos en la correlación positiva en el pronóstico revisiones confirma las conclusiones de varios estudios anteriores sobre la ubicuidad de pronóstico suavizado. El valor añadido de nuestro estudio es demostrar que el grado de suavizado estimada a partir de los datos de previsión individual es muy inferior a las estimaciones obtenidas a partir de las previsiones promedio en el que se han basado la mayoría de los estudios anteriores. El uso de los datos individuales se muestra que la evidencia empírica sobre el pronóstico suavizado da mayor validez a los modelos de información -noisy‖que a los modelos de información pegajoso.

Además, mostramos que no linealidades desempeñan un papel importante en la dinámica de las previsiones de crecimiento. Pronóstico suavizado es menos pronunciado en las colas de la distribución que en su parte central, es decir, grandes revisiones negativas y positivas son menos correlacionados con las revisiones posteriores que las revisiones a la media.

El documento está organizado de la siguiente manera: la sección II se analiza la metodología de las pruebas para el grado de previsión de suavizado utilizando datos promedio e individual de pronóstico. Sección III describe nuestros datos sobre pronósticos. Sección IV presenta los resultados empíricos. La última sección concluye.

II. METODOLOGÍA PARA PRUEBAS PARA ALISADO PRONÓSTICO

A. PROMEDIO DE PREVISIONES

La prueba para el pronóstico suavizado (eficiencia pronóstico) propuesto por Nordhaus (1987) explota el hecho de que tenemos una serie de previsiones para el mismo evento, a saber., El crecimiento anual del PIB real. Bajo la hipótesis nula de información completa expectativas racionales, esta secuencia de pronósticos debe seguir un proceso de martingala. Para llevar a cabo la prueba en las previsiones promedio, la revisión contemporánea de un pronóstico promedio es retrocedido en anteriores revisiones de previsiones:

¿dónde está la revisión del pronóstico promedio para el país i y el objetivo el año t hice en el horizonte h, y k 1. Las revisiones se calculan sobre k * meses, es decir, y k* <= k tiene que sostener para evitar mover efectos promedio en los residuos de la regresión; suponemos k * = k = 3 a lo largo de este trabajo.2 Si las previsiones son eficientes. De lo contrario, las revisiones pronóstico están correlacionados, y la hipótesis nula de la eficiencia de previsión se rechaza.

Reis (2006) muestra que la sección de información sticky el pronóstico promedio () para un evento es un promedio ponderado de la previsión promedio de lag y la expectativa racional actual del evento:

¿dónde v i, t , h está el error de expectativas racionales. Resulta que

Por lo tanto, el coeficiente de regresión de la ecuación (1) se traduce directamente en el grado de información rigidez en el marco de información pegajoso (por ejemplo, Mankiw y Reis, 2002, o Reis, 2006).

Del mismo modo, también en el marco de información ‖noisy‖ (por ejemplo, Woodford, 2002, y Sims, 2003) el grado de rigidez de información se pueden inferir directamente de las estimaciones de los parámetros de la ecuación (1). Coibion nos y Gorodnichenko (2012) muestran que en el supuesto de unos agentes de la función de pérdida estándar utilizar de manera óptima el filtro de Kalman para actualizar sus previsiones en cada período

donde v i, t , h se encuentra el componente de ruido de la información que los agentes

tienen sobre el evento x i ,t en un punto particular en el tiempo. Evidentemente, la formulación es muy similar a la ecuación (2). De ello se deduce que también en el marco de la información imperfecta el parámetro es igual a el grado de rigidez de información, que viene dada por 1-G en el modelo teórico.

Una prueba alternativa de la eficiencia pronóstico sugerido por Nordhaus (1987) es una regresión de la previsión de errores en vez de las revisiones contemporáneas como en la ecuación (1) -on revisiones pasadas. Las dos pruebas son equivalentes, es decir, también los rendimientos de ecuaciones prueba alternativos estimaciones del grado de rigideces informativos (Coibion nos y Gorodnichenko, 2010). La principal ventaja de utilizar nuestra especificación es que no se basa en

los resultados reales y, por tanto, elude la cuestión de lo que la vendimia de los datos reales de utilizar en el cálculo del error de pronóstico.

Es razonable esperar que las rigideces de información varían a lo largo del horizonte de proyección.Podrían, por ejemplo, ser más pronunciado en horizontes más largos debido a que (bajo Información pegajoso) agentes podrían tener menos recursos disponibles para obtener información relevante para el pronóstico updating3 a alta frecuencia y / o (en virtud de la información imperfecta) frente a señales ruidosas y, por tanto, colocaría menos peso en la nueva información. Si bien estos dos argumentos sugieren que el grado de información de la rigidez es monótona creciente con el horizonte de proyección, puede haber otros efectos (institucionales) en el trabajo que son funciones no monótonas del horizonte de proyección.

Para examinar empíricamente cómo el grado de cambios de previsión de alisamiento más el horizonte de proyección, agregamos las interacciones entre los términos de pronóstico horizontes y retrasó las revisiones en la ecuación (1). La especificación resultante es:

donde todas las variables se definen como anteriormente, m es el índice para los términos de interacción de las revisiones de pronóstico y horizontes, y es un indicador de que la función es igual a 1 si el horizonte de una observación es igual a hm y 0 en caso contrario. Los coeficientes de los términos de interacción son espera que sea positivo y creciente con el horizonte de proyección.

Estimamos el modelo de datos de panel de efectos fijos con el de mínimos cuadrados ordinarios (MCO) estimador. Desde nuestros datos establecidos potencialmente tiene una estructura de correlación complicada debido a las tres dimensiones de los datos, corregimos los errores estándar por el método sugerido por Driscoll y Kraay (1998), que no requiere de fuertes supuestos sobre la forma de la sección transversal y temporal correlación de los términos de error. Desde la dimensión temporal de nuestro conjunto de datos de panel es grande, el sesgo de níquel, que es del orden de 1 / T, es probable que sea solamente de tamaño modesto (Nickell, 1981).

Sin embargo, como una prueba de robustez - y porque la historia de los pronósticos de algunos analistas es considerablemente más pequeño que nuestra gama muestra completa - también estimamos el modelo utilizando los métodos generales de momentos (GMM) enfoque sugerido por Arellano y Bond (1991) en el versión de Arellano y Bover (1995) (en adelante, ABB estimador). Corregimos los errores estándar al permitir la correlación entre las observaciones que se refieren a un mismo país y el mismo período de previsión. El uso del estimador de ABB está sujeta a una advertencia, sin embargo, cuando se utiliza el modelo para la prueba de las rigideces de información. Bajo la hipótesis nula de información completa se espera que las revisiones actuales y pasados de las previsiones que no correlacionados, lo que implica que los instrumentos basados en revisiones no son válidos o al menos muy débil. Aún así, ya que la hipótesis nula no puede llevar a cabo en los datos y / o revisiones de previsión pueden autocorrelacionado por otras razones que las rigideces de información, utilizando el estimador de ABB como una prueba de robustez parece ser apropiado.

III. DATOS Y ESTADÍSTICA DESCRIPTIVA

Nuestro análisis se basa en las previsiones de crecimiento anual del PIB a partir de un conjunto de datos de la encuesta a través del país elaborado por Consensus Economics Inc. Este conjunto de datos contiene una variedad de previsiones macroeconómicas realizadas por las instituciones económicas públicas y privadas, en su mayoría bancos e institutos de investigación. A partir de octubre de 1989, la encuesta se ha llevado a cabo con una frecuencia mensual en un número creciente de países. El proceso de la encuesta es la misma en todos los países: durante las dos primeras semanas de cada mes los meteorólogos envían sus respuestas y los datos se publican en el centro de cada mes. Por lo tanto, al hacer sus previsiones de los panelistas es probable que sean conscientes de cada uno de previsiones de sus competidores desde hace un mes.

Debido a que cubre un gran número de países (y las variables) el conjunto de datos se ha utilizado en una serie de estudios empíricos, entre otros por Loungani (2001), Isiklar et al. (2006), Batchelor (2007), Ager et al. (2009), Loungani, Stekler y Tamirisa (2011), Gallo et al. (2002), Lahiri y Sheng (2008), Dovern y Weisser (2011) y Dovern, Fritsche y Slacalek (2012). Sólo los últimos cuatro estudios, sin embargo, hacen uso del hecho de que el conjunto de datos proporciona todas las previsiones individuales del panel de los pronosticadores para cada país, además de la tendencia pronóstico central, que ha sido utilizado en los otros estudios.

Debido al hecho de que Consensus Economics Inc. pide a los meteorólogos reportar sus pronósticos para las tasas de crecimiento anual del PIB de la corriente y el siguiente año calendario, el conjunto de datos tiene una estructura de panel tridimensional de la clase formalizada en Davies y Lahiri ( 1995). Por cada año de destino, el conjunto de datos contiene una secuencia de 24 previsiones de cada panelista realizado entre enero del año anterior al año de destino y diciembre del año objetivo.

Incluimos a todos los países en nuestra muestra, para los cuales el conceso económico inc. Informa pronósticos individuales. Incluimos sólo aquellos analistas que hicieron pronósticos de crecimiento por lo menos 10 veces. Los datos fueron extraídos directamente del Consensus Economics Inc. y ordenados de la siguiente manera. En primer lugar, ya que los analistas no se identifican por un solo ID en el conjunto de datos, sino por diferentes versiones de sus nombres, juntamos los pronósticos de las series que pertenecen a un solo pronosticador que se presenta bajo diferentes nombres (por ejemplo, tratamos a los pronósticos correspondientes a -Mortgage Banqueros Assoc, -Mortgage Bankers y -Mortgage Banqueros Association como viniendo del mismo pronosticador). En segundo lugar, mantuvimos la continuidad del Pronóstico de serie cuando el pronosticador ha sido objeto de una fusión o adquisición y que se desprende de los pronósticos que el analista sigue produciendo después de la fusión (por ejemplo, tratamos a las previsiones correspondientes a -Primer Boston, -CS Primero Boston‖, -Crédito Suisse First Boston y -Crédito Suisse como si vinieran del mismo pronosticador). El otro analista involucrado en la fusión o adquisición se supone que debe salir del panel después de la fusión.

En total, contamos con 188,639 pronósticos individuales de 30 países diferentes, de las cuales 104,894 son de 14 economías avanzadas (Tabla 1). Los pronósticos se hacen en los años objetivo entre 1989 y 2011 con un número de observaciones que aumentan hacia el final de la muestra, a medida que más y más países estaban cubiertos por el estudio y el número medio de panelistas por país aumentó. En promedio, nuestro conjunto de datos incluye cerca de 16 pronósticos individuales por período para cada país. Las previsiones parecen tener una tendencia de sobrestimar ligeramente el crecimiento en las economías

emergentes, cuando se mide contra lo recolección de datos actuales para el crecimiento del PIB. (La recolección de datos en tiempo real no está disponibles para todos los países de la muestra.)

Como era de esperar, la media de los errores al cuadrado (RMSFE) disminuye con el horizonte de proyección (Figura 1). En otras palabras, los errores de pronóstico se hacen más pequeños hacia el final del año de destino (como el horizonte, h, se acerca a 1). Los RMSFEs para las economías emergentes son, en promedio, más de dos veces superiores al de las economías avanzadas para grandes horizontes de predicción y todavía casi el 75 por ciento más altos al final del año objetivo.

El registro del tamaño del pronóstico evoluciona de manera diferente en los horizontes de pronóstico para las economías avanzadas y las economías emergentes (Figura 2). Aunque las relaciones no son monótonas para ambos grupos de países, sus patrones difieren. Para las economías avanzadas, los registros son más grandes alrededor de la llegada del año que en el corto y largo plazo del horizonte del pronóstico y en general el tamaño medio de los registros no varía mucho con el horizonte de proyección. Para las economías emergentes, las revisiones son mucho más pequeña para horizontes de largo plazo y muy superior durante el año meta (h <= 12). Al final del año meta (h = 1) los registros del promedio en las economías emergentes es aproximadamente el doble del tamaño de las economías avanzadas. Esto último indica que en las economías emergentes de la incertidumbre sobre los datos reales es sustancialmente mayor que en las economías avanzadas justo antes del final del horizonte del pronóstico, posiblemente debido a los retrasos en la recolección de datos estadísticos y la mala calidad de la publicación de datos iniciales.

La distribución de los registros de pronósticos muestra que estos cambian con poca frecuencia (según lo indicado por la alta densidad en torno a cero, la Figura 3). Las distribuciones en todos los horizontes siguen una distribución en forma de campana unimodal aseado. La distribución de los registros son más aplanados para las economías emergentes que para las economías avanzadas; aquí, los pronósticos parecen ser revisado con menos frecuencia pero los registros son más grandes.

Los datos muestran una diferencia sorprendente en la asimetría de las distribuciones en los registros para las economías emergentes y las economías avanzadas: mientras que las distribuciones tienen un sesgo negativo significativo para la mayoría de horizontes en el caso de las economías avanzadas, las distribuciones son simétricas para grandes horizontes de predicción y un sesgo positivo para horizontes de pronóstico más pequeñas en el caso de las economías emergentes, es decir, en el caso de las economías emergentes hay una tendencia para los registros negativa al ser más frecuente, pero más pequeña que los registros de las economías avanzadas, esto es al revés.

Las pronósticos se juntan más cuando el horizonte de proyección se contrae (Tabla 2). Las desviaciones promedio del pronóstico siguen una distribución unimodal para todos los horizontes del pronóstico, la mayoría de los pronósticos deben de estar cerca del pronóstico promedio (Figura 4). Para las economías avanzadas muy pocas desviaciones son más grandes que la mitad de un punto porcentual. En contraste, la dispersión es considerablemente mayor para las economías emergentes, donde los datos muestran un alto grado de desacuerdo para los analistas incluso al final del año meta (h = 1). De nuevo, esto es un reflejo del hecho de que la incertidumbre sobre la publicación de datos real es sustancialmente mayor aquí que en las economías avanzadas.

IV. RESULTADOS EMPÍRICOSA. PROMEDIO DE LOS PRONÓSTICOS

El lado izquierdo de la Tabla 3 presenta los resultados de la estimación de la ecuación (5) en los pronósticos promedio. Como se indicó anteriormente, elegimos k = 3 como el horizonte sobre el que se calculan los registros. Esto es igual a una frecuencia trimestral de actualización de los pronósticos. (Uso de un mes resultados horizonte en muchos valores cero.) Los horizontes que elegimos para nuestras estimaciones son h = 1, 4, 7, 10, 13 y 16. (Nuestros resultados son robustos a la elección de los horizontes, es decir, para ejemplo, si tomamos h = 2, 5, 8 etc.).

Encontramos fuertes y consistentes evidencias de rigidez de la información en los pronósticos del consenso. Hay una fuerte correlación positiva entre la revisión actual del pronóstico y su primer rezago para todos los grupos de países para ambos métodos de estimación. Los Coeficientes de los registros rezagados son estadísticamente muy significativa en todos los casos.

El grado de rigidez de la información parece ser muy similar en los pronósticos para las economías avanzadas y emergentes. El coeficiente sobre las revisiones retardadas para las economías emergentes en el horizonte de corto plazo del pronóstico es 0,41 en comparación con 0,37 para las economías avanzadas.

La Rigidez de información tienden a ser más grande alrededor de la vuelta de los años, es decir, a los horizontes de pronóstico entre 13 y 10 (Figura 5). Los Coeficientes de las interacciones entre los registros rezagados y los indicadores del horizonte son positivos y estadísticamente significativo para el horizonte 10 (economías emergentes) y 13 (economías avanzadas) respectivamente. Para otros horizontes los efectos adicionales son mucho más pequeños y no significativamente diferente de cero. Estos resultados son ampliamente robustos con respecto al método de estimación, no sólo en el signo y la significación estadística de los coeficientes, sino también con respecto al tamaño de los coeficientes.

Las posibles explicaciones para este patrón podrían relacionarse con el hecho de que las tasas de crecimiento trimestral en el último trimestre del año tienen un efecto particularmente grande en la tasa de crecimiento anual del año siguiente. También puede haber explicaciones institucionales o de comportamiento, donde los analistas cambiar el enfoque de los pronósticos del año en curso a los pronósticos del próximo año en torno al cambio de año.

Cuando no condicionamos la longitud del horizonte de proyección, el grado de rigidez informativo estimado de nuestra especificación basada en los promedios de los registros del pronóstico es igual a 0,5 para las economías avanzadas y emergentes. Dado que medimos los registros a una frecuencia trimestral, estas estimaciones implican en el marco de información pegajosa que los analistas actualizan sus pronósticos cada seis meses en promedio. Se trata de una frecuencia de actualización más alta de lo que se encuentra en otros documentos de estimación de modelos de información adhesivas con base en datos de expectativas agregados para conjuntos pequeños de países (por ejemplo, Mankiw y Reis, 2002, Khan y Zhu, 2006, Döpke et al., 2008). Análogamente, para el marco de la información imperfecta las estimaciones implican un peso de aproximadamente 0,5 asignado a las previsiones pasadas en la construcción de los pronósticos actuales (véase la ecuación (4)). Esto es considerablemente superior a la estimación de 0,14 presentado en Coibion nos Gorodnichenko y para los Estados Unidos (2012, p. 143).

B. PRONÓSTICOS INDIVIDUALESINFORMATION STICKINESS

A continuación, se mide la frecuencia de actualización de los datos de pronósticos individuales. La participación de los analistas que decidieron actualizar sus pronósticos al menos una vez en los tres meses anteriores a un horizonte de pronóstico dado oscila

entre 0,8 y 0,9 en los horizontes de predicción (Figura 6). Esto demuestra que la mayoría de los analistas deciden actualizar sus pronósticos frecuentemente. Estas estimaciones son similares a los obtenidos por Andrade y Le Bihan (2010) para la Encuesta Europea de pronósticos económicos.

En parte el promedio para las economías avanzadas tienden a ser más altos que los de las economías emergentes, lo que sugiere que los pronósticos para las economías avanzadas se revisan con mayor frecuencia que los de las economías emergentes. Este hallazgo de actualización menos frecuente de los nuevos pronósticos de la economía es consistente con una mayor parte de cero cambios y distribuciones más planas de los registros de los pronósticos de las economías emergentes (Figura 3).

Hay una ligera tendencia de que la participación de los analistas que actualizan sus pronósticos aumente a medida que el horizonte de proyección se reduce para ambos grupos de países. Además, hay una giba en torno a la llegada del año, es decir, alrededor de h = 13 para la mayoría de los países. Esto es consistente con la evidencia estadística básica de los registros del patrón de la magnitud de los horizontes de la predicción que se muestran arriba.

Obviamente, estos resultados implican una mayor frecuencia de actualización de los pronósticos que sugieren las regresiones basadas en datos promedio anteriormente y, por lo tanto, un menor papel de la información pegajosa para explicar el grado general de la rigidez de información en los pronósticos económicos. Las fracciones obtenidas a partir de los datos de los pronósticos individuales son considerablemente más altas que las estimaciones implícitas de los analistas que actualicen sus pronósticos de cada trimestre de la sección anterior. Los coeficientes de los registros rezagados estimados usando datos promedio de pronósticos rezagados dan una estimación de la probabilidad para actualizar un pronóstico en un trimestre dado de tan sólo 0,06 a 0,75 (dependiendo del horizonte de proyección) -en comparación con 0,8 a 0,9 a partir de los datos individuales.

Por el contrario, una alta proporción de analistas que actualizan sus pronósticos es perfectamente consistente con la teoría de la información imperfecta. De hecho, en su forma pura la teoría dice que en realidad todos los pronosticadores actualizan continuamente sus pronósticos. Pero Andrade y Le Bihan (2010) predicen que la participación debe ser más pequeña para horizontes de predicción de largo plazo que para los pronósticos a corto plazo, que están en línea con nuestras estimaciones. Por lo tanto, nuestros resultados son ampliamente consistentes con la teoría de la información imperfecta pero proporcionan evidencia en contra de la teoría de la información pegajosa.

SUAVIZADO DE PRONÓSTICOS

El análisis de regresión muestra una fuerte evidencia de la suavización de pronósticos en los pronósticos individuales. El lado derecho de la Tabla 3 presenta los resultados de la estimación de la ecuación (6), utilizando los datos de los pronósticos Individuales. El coeficiente sobre la revisión rezagada (que, como se discutió en la Sección II, proporciona una medida de alisamiento general del pronóstico en lugar de una asignación exacta a las teorías de información existentes) es positivo y estadísticamente significativo en todas las especificaciones.

Así, mientras que los resultados de la sección anterior sugieren que la adherencia de información no es un gran problema en nuestro conjunto de datos, estas estimaciones implican que los analistas individuales suavizan sus pronósticos debido a otros factores. El grado de rigidez se estima, sin embargo, para ser más pequeño que el de los pronósticos de consenso. La magnitud de la diferencia se da en la fila denominada -Ratio de Coeficientes de revisiones Pasado, que muestra la relación entre el coeficiente sobre las revisiones rezagados estimadas en los pronósticos individuales a la estimada en los

pronósticos promedio; Esto sugiere que el proceso de pronósticos induce un promedio de pegajosidad adicional.

Al igual que con los pronósticos del consenso, encontramos diferencias en el grado de suavizado en los pronósticos para las economías avanzadas y emergentes. Coeficientes de las revisiones rezagados son mayores en el caso de las economías emergentes (0,23 frente a 0,13 de regresiones MCO, por ejemplo). Estos resultados son consistentes con la evidencia gráfica discutida en la Sección III (Figura 4) y sugieren que las rigideces de información son más pronunciados en los pronósticos para las economías emergentes, posiblemente debido a mayores rezagos en la publicación de datos y más débil calidad de las estadísticas económicas.

También similar a las regresiones basadas en previsiones promedio, los basados en datos de previsión individuales sugieren que el pronóstico suavizado es no monótona sobre la previsión horizontes. Para las economías avanzadas, los coeficientes de las interacciones entre las revisiones términos rezagados y variables horizonte son fuertemente positivas para horizontes 7, 10 y 13; el mayor tamaño de los coeficientes de los términos de interacción se obtiene a h = 13. Errores estándar ABB indican que estos efectos son estadísticamente diferentes de cero; mirando a la norma Driscoll-Kraay más conservador errores de la regresión OLS, sin embargo, lleva a la conclusión opuesta para la mayoría de los casos. Para las economías emergentes, los resultados correspondientes a los términos de interacción son aún más débiles; sólo el coeficiente del término de interacción para el horizonte 10 es fuertemente positiva y estadísticamente significativa cuando se mira en los errores estándar de ABB. En general, la conclusión es que, si bien el pronóstico suavizado en los incrementos a nivel individual tanto en los horizontes de pronóstico de mediano alcance, la evidencia para el efecto horizonte es mucho menor que en las regresiones basadas en datos agregados de pronóstico.

Mirando más de cerca a la distribución de la previsión de la persistencia entre países revela una variación sustancial. Figura 7 muestra la distribución de los parámetros estimados entre países (basados en regresiones separadas para cada país) para las previsiones de consenso y de los datos individuales (despreciando cualquier efecto horizonte). Consistente con el hallazgo basado en paneles que el grado de rigidez es menos pronunciada en los datos individuales que en los datos de consenso, la media de la distribución es más baja para los datos individuales. Además, la media de las economías emergentes es mayor que el de las economías avanzadas, lo que confirma que el suavizado pronóstico es más fuerte en promedio en las economías emergentes.

C. No linealidad

Nuestros estimaciones de los modelos de umbral muestran la presencia de no linealidades en previsión de alisamiento. En cuanto a las revisiones individuales de pronóstico, pronóstico suavizado es menos pronunciado en las colas de la distribución de las revisiones que en el cuerpo principal de la distribución (Tabla 5). Coeficientes de las revisiones pasadas en los percentiles 90 y 10 de la distribución tienen signos negativos y son estadísticamente significativas para ambos grupos de países. Los efecto en el percentil 10 es mucho mayor que en el percentil 90 para las economías emergentes. Esto significa que en estos países pronóstico suavizados descensos de más después de grandes revisiones a la baja que después de grandes revisiones positivas, es decir, los shocks de noticias positivas se incorporen plenamente en las previsiones más lentamente que las noticias negativas. Por el contrario, los efectos relacionados con la no linealidad en función de la posición relativa de las previsiones en la distribución de todas las previsiones disponibles resultan ser no significativa; ni qué encontramos un efecto adicional para los

pronósticos que están lejos en las colas de la distribución de todos los pronósticos Tampoco encontramos tal efecto para los pronósticos cercanas al pronóstico promedio.

A nivel agregado, las estimaciones muestran que el grado de rigidez es significativamente menor después de grandes revisiones a la baja de la previsión media. Este efecto no se encuentra en el otro lado de la distribución de las revisiones. Esto sugiere que la actualización de las previsiones está más sincronizado durante las crisis que en tiempos -normal‖ para que en estos tiempos menos persistencia de las revisiones de agregado es causada por el procesamiento escalonada de noticias a través de los meteorólogos. Todos los resultados de esta sección son ampliamente robusta cuando regresiones se estiman utilizando el método ABB.

V. CONCLUCIONESEn este trabajo se ha presentado pruebas sobre la dinámica de las previsiones de crecimiento del PIB real utilizando un gran panel de datos de los meteorólogos individuales en 30 economías de mercado avanzadas y emergentes para años de destino entre 1989 y 2011. El conjunto de datos utilizado en el papel es mucho

Más grande que cualquier panel de previsiones individuales utilizados en la literatura anterior, y cubre una amplia gama de diferentes países.

Trabajos previos han documentado que los pronósticos se caracterizan por un alto grado de suavizado o rigidez (Nordhaus, 1987; Coibion nos y Gorodnichenko, 2010) , y una serie de teorías se han ofrecido para explicar este fenómeno. En particular, y Gorodnichenko Coibion nos muestran que la búsqueda de una correlación entre los errores de pronóstico y pasadas las revisiones de pronóstico es consistente con dos de las principales explicaciones para el pronóstico suavizado, a saber. , El modelo de información pegajoso y el modelo de información -noisy.

Usando una prueba equivalente de pronóstico revisiones en las previsiones anteriores revisiones, confirmamos la constatación de la persistencia en las revisiones promedio de previsiones. También contribuimos tres perspectivas novedosas sobre el comportamiento de los meteorólogos ", aprovechando el amplio conjunto de pronósticos individuales para los países avanzados y emergentes:

En primer lugar, aportar pruebas en contra de la utilidad del modelo de información pegajosa para describir la dinámica de las previsiones de crecimiento profesional. Se demuestra que las estimaciones de la rigidez de información basada en el consenso (promedio) previsiones exageran el verdadero grado de falta de atención meteorólogos. Cuando se utilizan las previsiones de consenso, que ha sido la práctica común en los estudios anteriores, las estimaciones sugieren que los pronósticos se actualizan en promedio cada 6 meses. Nuestro análisis de fracciones de los meteorólogos que actualicen sus previsiones, sin embargo, apunta a una mayor frecuencia de actualización. La evidencia basada en fracciones, por lo tanto, sugiere un pequeño papel de la información pegajosa para explicar el grado general de rigidez información en los pronósticos económicos. Del mismo modo, la previsibilidad de las revisiones de previsiones individuales pone en duda la validez de la teoría de la información pegajosa, lo que implica que las revisiones son impredecible (aunque poco frecuentes).En segundo lugar, nos encontramos con que las rigideces de información son más pronunciados en las economías emergentes que las economías avanzadas. Las posibles explicaciones para este hallazgo son una mayor incertidumbre acerca de sus posiciones cíclicas y transmisión de las perturbaciones , una calidad más débil de las estadísticas económicas y financieras , o menos

recursos dedicados a la vigilancia de estas economías y la producción de hasta al día las previsiones.Finalmente, existe evidencia de no linealidades en previsión de alisamiento. Es menos pronunciado en las colas de la distribución de las revisiones de pronóstico individuales que en el cuerpo principal de la distribución.Muchos temas interesantes se dejan para la investigación futura. En particular, el pastoreo, la otra característica destacada de la conducta meteorólogos ' y su interacción con el pronóstico suavizado merecen una mirada más cercana. Otros temas que merecen la pena ser explorado son consecuencias de la incertidumbre para la dinámica de la previsión macroeconómica y la evolución de las previsiones rigideces largo del ciclo.

Figura 1. Previsión Root Mean Squared Errores más de Previsión de los horizontes.

Nota: h se refiere al horizonte de proyección.

Figura 2. La media de las revisiones absolutas más de Previsión de los horizontes.

Nota: h se refiere al horizonte de proyección.

Figura 3. Distribución de las revisiones Previsión

Nota: h se refiere al horizonte de proyección. Para cada caso, las revisiones se calculan sobre k = 3 meses.

Figura 4. Distribución de Desviación de previsiones individuales de media (Consenso)

Nota: h se refiere al horizonte de proyección.

Figura 5. Rigideces informativos de Previsión distintos horizontes (consenso)

Nota: h se refiere al horizonte de proyección.

Gráfico 7. Distribución de Coeficientes de Rigidez de Información a través de Países

4.5

4.0

3.5

3.0

2.5

2.0

1.5

1.0

0.5

0.0

-1.0 -0.5 0.0 0.5 1.0

Coeficiente sobre la Revisión Rezagada

Previsiones de Acuerdo general de Economías Avanzadas Previsiones de Acuerdo general de Economías emergentes

Previsiones Individuales de Economías Avanzadas Previsiones Individuales de Economías emergentes

Nota: Estimaciones de densidad basadas en las distintas estimaciones para todos los países en la muestra que usa un fundamento Gaussiano y una amplitud de banda de 0.08.

TABLA 1: LOS RASGOS BÁSICOS DE DATOS DE PREVISIÓN

Muestra completa

Economías Avanzadas

economías emergente

s

Número de años de objetivo 23 23 23Número de países 36 14 22

Número de observaciones de previsión individuales

188 639 104 894 83 745

Número medio de previsiones por país por año objetivo

15.5 17.2 13.7

Previsión mediaSignificancia 3.2 2.1 4.6Media 3 2.4 4.8Errores de previsión mediosSignificancia 0 -0.1 0.1Media 0.2 0.1 0.4

FUENTE: Los autores.

TABLA 2: LAS REVISIONES Y DESVIACIONES DEL PRONÓSTICO PROMEDIO

Horizonte (en meses) h=18 h=12 h=6 h=1

Desviación Absoluta de media de consenso

Muestra completa 0.29 0.26 0.19 0.1Economías avanzadas 0.24 0.22 0.15 0.07Economías emergentes 0.36 0.32 0.28 0.15

Varianza de Desviación de ConsensoMuestra completa 0.44 0.47 0.27 0.09Economías avanzadas 0.21 0.16 0.09 0.03Economías emergentes 0.77 0.88 0.52 0.17FUENTE: Estimaciones de los autores

TABLA 3. RIGIDEZ DE INFORMACIÓN Y ALLANAMIENTO DE PREVISIÓN

muestra completa

Economías Avanzadas

economías emergentes

muestra completa

Economías Avanzadas

economías emergentes

Revisión pasada 0.404*** 0.370*** 0.409*** 0.203*** 0.127** 0.223***6.7 6.1 5.6 6.3 2.7 6.1

Revisión pasada*Horizonte 4 0.132 -0.125 0.192 0.045 -0.091 0.0970.9 -0.9 1.3 0.5 -1.1 1

Revisión pasada*Horizonte 7 -0.059 0.098 -0.085 -0.067 0.164* -0.126-0.3 1.4 -0.3 -0.5 2.6 -0.9

Revisión pasada*Horizonte 10 0.350* 0.2 0.395** 0.2 0.3 0.22.5 1.1 3 1.3 1.5 1.3

Revisión pasada*Horizonte 13 0.272 0.566*** 0.202 0.026 0.144 -0.0071.3 4.2 0.8 0.2 1.7 -0.1

Revisión pasada*Horizonte 16 0.093 0.118 0.089 -0.065 -0.072 -0.0480.7 0.8 0.6 -1 -0.9 -0.6

constante -0.001 -0.028 0.025 -0.038 -0.048 -0.0220 -1.2 0.5 -0.9 -1.7 -0.3

Relación entre los coeficientes de las revisiones pasadas 0.5 0.32 0.55numero de observaciones 3408 1698 1710 35578 21054 14524

Revisión pasada 0.406*** 0.375*** 0.411*** 0.236*** 0.151*** 0.257***8.4 7.5 7.4 7.8 4 7.2

Revisión pasada*Horizonte 4 0.134 -0.118 0.195 0.049 -0.099 0.1061.6 -1.3 1.9 0.8 -1.7 1.4

Revisión pasada*Horizonte 7 -0.059 0.099 -0.083 -0.082 0.155* -0.139-0.3 0.9 -0.4 -0.7 2 -1

Revisión pasada*Horizonte 10 0.352*** 0.229* 0.399** 0.234** 0.304** 0.219*3.4 2.2 3.1 2.7 2.8 2

Revisión pasada*Horizonte 13 0.276* 0.567*** 0.2 0 0.145* 02 7.1 1.2 0.5 2.5 0.1

Revisión pasada*Horizonte 16 0.088 0.127 0.079 -0.082 -0.085 -0.0680.8 1 0.6 -1.7 -1.6 -1.1

Constante 0 -0.027** 0.025 -0.035* -0.047*** -0.0190 -2.7 1.2 -2.3 -3.4 -0.6

Relación entre los coeficientes de las revisiones pasadas 0.58 0.41 0.61numero de observaciones 3408 1698 1710 35578 21054 14524

Mínimos Cuadrados Ordinarios con Driscoll - Kraay errores robustos

Arrellano-Bond Acercamiento de Variables Instrumental (Método Generalizado de Momentos)

FUENTE: Estimaciones de los autores.

Nota: Los números por debajo de los coeficientes son estadísticos t. Los asteriscos indican el grado de importancia de coeficientes: *** 1 por ciento, 5 por ciento ** y * 10 por ciento. Las regresiones incluyen efectos fijos para cada país para los pronósticos promedio y un efecto fijo para cada pronóstico de previsiones individuales; las constantes se identifican mediante la restricción de la suma de todos los efectos fijos para igualar 0. La relación de coeficientes de las revisiones pasadas se define como el cociente entre el parámetro de rigidez de base para las revisiones individuales y el equivalente para las revisiones de la previsión media. Los resultados se obtienen omitiendo los datos de previsión realizados en diciembre de 2008 para el índice de crecimiento de 2009, que están fuertemente impulsado por el ajuste de las previsiones a la progresión de la Gran Recesión. La inclusión de estas observaciones conduce a un del efecto de "revisión pasada * Horizonte 13" a

aproximadamente 0.84 (para ambos estimadores). Esto implicaría un parámetro de rigidez total de por encima de 1, lo que no es consistente con ninguna teoría de rigideces informativas.

TABLA 4. EFECTOS NO LINEALES EN RIGIDECES DE PREVISIÓN

muestra complet

a

Economías

Avanzadas

economías emergente

s

muestra complet

a

Economías

Avanzadas

economías emergente

s

Revisión pasada 0.628***

0.419*** 0.721*** 0.387***

0.230*** 0.452***

6.1 5.5 5.1 5.7 3.6 5.2

Revisión pasada (90 por ciento)

0.06-0.05 0.103

-0.162**

*-0.166*** -0.162*

0.5 -0.7 0.7 -3.4 -3.5 -2.5

Revisión pasada (10 por ciento)

-0.274**-0.105 -0.397***

-0.269**

*-0.112* -0.338***

-2.9 -1.7 -3.7 -3.9 -2.1 -4.1Revisión pasada (90 por ciento, deviación) -

- - 0.042 0.009 0.06

- - - 0.6 0.2 0.6Revisión pasada (10 por ciento, desviación) -

- - -0.077 -0.029 -0.117

- - - -1.6 -0.8 -1.8Revisión pasada (40-60 por ciento, desviación) -

- - -0.126 -0.07 -0.154

- - - -1.1 -0.8 -1constante -0.041 -0.038 -0.036 -0.051 -0.051 -0.047

-1.1 -1.6 -0.6 -1 -1.5 -0.6numero de observaciones 2933 1509 1424 35996 21336 14660FUENTE: Estimaciones de los autores

Nota: El modelo se estima utilizando MCO. T- estadísticas se basan en errores estándar Driscoll - Kraay. Los números debajo de los coeficientes son los errores estándar. Los asteriscos indican el grado de significación de los coeficientes: *** 1 por ciento, 5 por ciento ** y * 10 por ciento. El modelo incluye un efecto fijo para cada panelista individual; la constante se identifica mediante la restricción de la suma de todos los efectos fijos a igual a 0. Las estimaciones de horizonte efectos específicos (análogos a los de la Tabla 3) son suprimidas.