Predictive Density Combination Using a Tree-Based Synthesis Function

La synthèse de prévisions bayésienne est une méthode servant à combiner des distributions prédictives qui est basée sur la théorie d’analyse des avis d’agents et qui englobe de nombreuses approches courantes pour la combinaison de prévisions par densité de probabilités. L’élément clé de cette méthode consiste en une fonction de synthèse qui est  généralement définie de façon paramétrique sous forme d’une régression linéaire dynamique. Dans cette étude, nous élaborons un mode de traitement non paramétrique de la fonction de synthèse fondé sur des arbres de régression. Nous montrons les avantages que notre mode de traitement présente dans le cadre de deux exercices de prévision macroéconomique. Dans le premier exercice, nous utilisons des prévisions par densité de probabilités de la croissance du produit intérieur brut issues de l’enquête menée auprès des prévisionnistes professionnels de la zone euro. Dans le second, nous combinons des prévisions par densité de probabilités de l’inflation aux États-Unis, qui sont produites par de nombreux modèles de régression comportant différents prédicteurs. Ces deux exercices démontrent les avantages que procure la modélisation non paramétrique de la fonction de synthèse, sur le plan de l’amélioration de l’exactitude et de l’interprétabilité des prévisions.