Model Averaging in Markov-Switching Models: Predicting National Recessions with Regional Data

Les auteurs présentent de nouvelles méthodes de pondération pour la combinaison de prévisions de variables discrètes issues de différents modèles de Markov à changement de régime. Plus particulièrement, ils étendent deux classes existantes de méthodes de combinaison – combinaison de prévisions établies au moyen de modèles bayésiens (statiques) et combinaison dynamique de prévisions – de manière à correspondre explicitement à l’objectif assigné à l’exercice de prévision d’une variable discrète. Les simulations et l’application empirique montrent qu’en ce qui a trait à l’exactitude des prévisions, les nouvelles méthodes de combinaison surclassent les méthodes de combinaison concurrentes. S’agissant de l’application empirique, les auteurs estiment et prévoient les points de retournement du cycle de l’économie américaine à l’aide de données sur l’emploi provenant des États. Ils constatent que les prévisions obtenues à partir de leur meilleure méthode de combinaison fournissent des renseignements en temps opportun sur les cycles économiques aux États-Unis.