Harvey Daniell und Andre Moreira
Die neuesten Entwicklungen auf dem Arbeitsmarkt sind häufig von zentraler Bedeutung für geldpolitische Entscheidungen. Wir skizzieren einen Rahmen für die Zuordnung von Arbeitsmarktindikatoren zum kurzfristigen Beschäftigungs- und Lohnwachstum und stützen uns dabei auf fundierte Erkenntnisse aus der „Nowcasting“-Literatur. Die Hauptvorteile unseres Ansatzes sind: die Möglichkeit, eine Reihe von „weichen“ und „harten“ Indikatoren unterschiedlicher Häufigkeit auf vierteljährliche offizielle Daten abzubilden; die empirische Bestimmung, wie viel Gewicht jedem Indikator beigemessen werden soll; und die Möglichkeit, diese Gewichte flexibel zu verschieben, wenn mehr Daten verfügbar sind. Dieses Framework übertrifft einfache Benchmark-Modelle in unserer Arbeitsmarktanwendung.
Für geldpolitische Entscheidungen ist es oft von entscheidender Bedeutung, die neuesten Entwicklungen auf dem Arbeitsmarkt zu verstehen. Im Mai brachte der geldpolitische Ausschuss beispielsweise eine weitere Verschärfung der Geldpolitik unter anderem mit der Anspannung der Arbeitsmarktbedingungen und dem Verhalten des Lohnwachstums in Verbindung.
Allerdings werden offizielle Daten zum Arbeitsmarkt mit Verzögerung veröffentlicht. Um das Verständnis der aktuellen Bedingungen bei der Festlegung politischer Maßnahmen zu verbessern, ist es notwendig, das Sign von aktuelleren Indikatoren zu extrahieren, um eine „Nowcast“-Analyse durchzuführen – additionally aktuelle und kurzfristige Entwicklungen auf dem Arbeitsmarkt vorherzusagen.
Was sind die zentralen Erkenntnisse unseres Ansatzes?
1: Harte und weiche Indikatoren unterschiedlicher Häufigkeit können individuell und direkt auf die Zielarbeitsmarktvariable abgebildet werden.
Das Wachstum hochfrequenter Daten im letzten Jahrzehnt bedeutet, dass wir über Indikatoren des Arbeitsmarktes in vierteljährlicher, monatlicher und sogar wöchentlicher Häufigkeit verfügen. Diese Indikatoren können mithilfe von „Blended-Knowledge-Sampling“-Techniken (oder „MIDAS“) individuell einer Zielvariablen zugeordnet werden, beispielsweise dem vierteljährlichen Beschäftigungswachstum. MIDAS-Techniken sind „im Wesentlichen streng parametrisierte Regressionen in reduzierter Kind, die Prozesse beinhalten, die mit unterschiedlichen Frequenzen abgetastet werden“.
Diese Techniken haben den Vorteil, dass sie Daten unterschiedlicher Häufigkeit verarbeiten können und keine Variablen in die gleiche Häufigkeit umwandeln müssen, wie etwa die Reduzierung wöchentlicher Daten auf vierteljährliche Daten. Dies bedeutet, dass wir jeglichen Informationsverlust (oder die Verwendung zusätzlicher Annahmen) vermeiden, der mit der Transformation von Variablen auf die gleiche Häufigkeit einhergeht.
Ein weiterer Vorteil unseres besonderen Ansatzes ist die Möglichkeit, jeden Indikator abzubilden individuell auf die interessierende Variable, bevor diese zu einem Gesamtmodell-Nowcast kombiniert werden. Mit anderen Worten: Wir beginnen damit, von jedem Indikator einen anderen Nowcast zu erhalten, der für politische Entscheidungsträger häufig von Interesse ist, da er uns ermöglicht, Merkmale wie die Streuung zwischen einzelnen Indikatoren zu diskutieren.
Als Beispiel veranschaulicht Abbildung 1 die Nowcasts für das vierteljährliche Beschäftigungswachstum aus MIDAS-Regressionen unter Verwendung einer Reihe von Arbeitsmarktindikatoren. Die grauen Linien veranschaulichen die einzelnen Nowcasts, die die Zielvariable in der blauen Linie verfolgen, trotz der Volatilität in letzterer recht intestine.
Diagramm 1: Indikatorenbasierte Nowcasts für das vierteljährliche Beschäftigungswachstum (Prozent).) (A)
(a) Indikatorbasierte Nowcasts basieren auf den Bewertungen der Financial institution of England Brokers, dem Lloyds Enterprise Barometer, dem Gehaltswachstum von ONS/HMRC PAYE, dem S&P World/CIPS Buying Managers Index und dem KPMG/REC Report on Jobs.
2: Die Steuerung verschiedener Indikatoren kann zu einer Gesamtansicht zusammengefasst werden, wobei die Gewichtungen durch den Informationsgehalt des jeweiligen Indikators bestimmt werden.
Unterschiedliche Indikatoren deuten häufig auf unterschiedliche Nowcasts für dieselbe Variable hin. Daher ist es wichtig zu wissen, wie viel Gewicht man jedem Indikator beimessen sollte. In unserem Ansatz gewichten wir die Auswirkungen jedes Indikators entsprechend seiner relativen prognostizierten Leistung in der jüngeren Vergangenheit – ein in der Prognoseliteratur üblicher Ansatz, der unserer Meinung nach auch in dieser Anwendung auf den britischen Arbeitsmarkt intestine funktioniert. Mit anderen Worten: Genauere Indikatoren erhalten ein höheres Gewicht.
Diagramm 2 und Diagramm 3 zeigen die prognostizierte Leistung einer Reihe von Indikatoren für das Beschäftigungs- und Lohnwachstum im kommenden Quartal. Sie zeigen, dass „weiche“ Indikatoren wie die monatliche Beschäftigungsbilanz des S&P World/CIPS Buying Managers Index und der monatliche KPMG/REC Report on Jobs am besten geeignet sind, das vierteljährliche Beschäftigungs- und Lohnwachstum zwei Quartale im Voraus vorherzusagen. Entscheidend ist jedoch, dass die kombinierte Steuerung aller Indikatoren eine bessere Leistung erbringt, wenn man sich allein auf einen einzelnen Indikator verlässt.
Abbildung 2: Prognostizierte Entwicklung der Indikatoren für das Beschäftigungswachstum, zwei Quartale im Voraus (A)
Abbildung 3: Prognostizierte Entwicklung der Indikatoren für das Lohnwachstum, zwei Quartale im Voraus (A)
(a) „RMSE“ ist der quadratische Mittelwertfehler, ein Standardmaß für die historische Prognoseleistung. „BCC“ ist eine vierteljährliche Wirtschaftsumfrage der britischen Handelskammer. „Offene Stellen“ sind das dreimonatige Wachstum der offenen Stellen im ONS. „Lloyds“ ist das Lloyds-Geschäftsbarometer. „BIP“ ist das dreimonatige BIP-Wachstum des ONS. „Gehaltsabrechnungen“ sind ONS/HMRC PAYE-Gehaltsabrechnungen und das mittlere Lohnwachstum. „REC“ ist der KPMG/REC-Bericht über Arbeitsplätze. „PMI“ ist der S&P World/CIPS Buying Managers Index. „Agenten“ sind die Bewertungen der Financial institution of England-Agenten für Beschäftigung und Gehaltswachstum. Bei „Job-to-Job-Umzügen“ handelt es sich um vierteljährliche Flussdaten des ONS. Der „Zyklus“-Indikator ist die Summe der VPI-Inflation und der (umgekehrten) Arbeitslosenlücke aus den geldpolitischen Berichten der Financial institution of England.
Es ist interessant festzustellen, dass weiche Indikatoren im Bereich einzelner Nowcasts tendenziell viel besser abschneiden als frühere Beobachtungen der „harten“ Daten – dh verfügbare monatliche Beobachtungen der ONS-Zielvariablen. Dies liegt im Wesentlichen daran, dass die harten Daten volatil sind und daher nicht unbedingt sehr aussagekräftig sind, nicht einmal über ihre eigene Entwicklung.
3: Die Gewichtung jedes Indikators ändert sich im Laufe des Datenzyklus, was besonders wichtig für die relative Gewichtung von „harten“ und „weichen“ Indikatoren des Arbeitsmarktes ist.
Wenn neue Daten verfügbar werden, kann sich auch die Zuordnung zwischen einem bestimmten Indikator und der Zielvariablen ändern, manchmal auf ganz wichtige Weise. Daher ist es wichtig, die zugrunde liegenden Beziehungen jedes Mal neu zu spezifizieren und abzuschätzen, wenn sich der Informationssatz ändert. Vor diesem Hintergrund ist das Modell auch so aufgebaut, dass es die Gewichtung von „harten“ Informationen (z. B. ONS-Daten) gegenüber „weichen“ Informationen (z. B. Unternehmensumfragen) über den Datenzyklus hinweg optimum verlagert. Diese optimale Gewichtung erfolgt in einer einfachen OLS-Regression der zweiten Stufe.
Wenn man einen Schritt zurückgeht, ist die Aktualisierung der kurzfristigen Aussichten für einen wachsenden Informationsbestand eine wichtige Quelle zur Reduzierung von Prognosefehlern, nicht zuletzt, weil monatliche Beobachtungen der harten Daten, die das ONS ebenfalls veröffentlicht, einen direkten Enter für die Berechnung der Prognosen liefern vierteljährliches Ergebnis.
Zu Beginn des Datenzyklus, wenn keine offiziellen Daten innerhalb eines Quartals verfügbar sind, weist uns das Modell an, den aktuelleren weichen Indikatoren wie den monatlichen Unternehmensumfragen mehr Gewicht beizumessen. Sobald jedoch quartalsinterne monatliche harte Daten verfügbar sind, erhalten diese eine viel höhere Bedeutung.
Bei diesem Ansatz verringert sich der durchschnittliche Prognosefehler des Gesamtmodells zunehmend, sobald neue Daten verfügbar werden. Es überrascht jedoch nicht, dass die Verbesserung an dem Punkt besonders auffällig ist, an dem die harten Indikatoren ins Spiel kommen, um die Steuerung durch weiche Indikatoren zu ergänzen. Abbildung 4 veranschaulicht diesen Punkt anhand einer aktuellen Prognose des Beschäftigungswachstums.
Abbildung 4: Der durchschnittliche Prognosefehler für das vierteljährliche Beschäftigungswachstum nimmt ab, wenn mehr Daten verfügbar sind
Aus dieser Sicht kann uns das Framework sowohl die marginale Auswirkung neuer Daten auf eine Punktschätzung des Nowcasts als auch das Ausmaß, in dem die neuen Daten auch die Unsicherheit rund um diesen Nowcast verringern, mitteilen.
4: Der Ansatz übertrifft einfache Benchmark-Modelle zur Prognose des Arbeitsmarktes deutlich.
Die oben dargelegten zentralen Erkenntnisse sind wichtige Quellen zur Reduzierung von Prognosefehlern. Bei einer Prognose für das Beschäftigungs- und Lohnwachstum in zwei Quartalen beispielsweise übertrifft die kombinierte Prognose, bei der eine kollektive Steuerung aus einer Reihe von Indikatoren erfolgt, im Allgemeinen die Prognose, die sich nur auf einen einzelnen Indikator stützt.
Darüber hinaus übertrifft der kombinierte Nowcast des Gesamtmodells ein einfaches autoregressives Benchmark-Modell – additionally ein einfaches Modell des vierteljährlichen Beschäftigungs-/Lohnwachstums auf der Grundlage eines verzögerten Beschäftigungs-/Lohnwachstums. Dies gilt im Allgemeinen für alle Stadien des Datenzyklus, wobei die Reduzierung der quadratischen Mittelfehler vor der Veröffentlichung des Ergebnisses auf etwa 65 % ansteigt.
Tatsächlich ähnelt die prognostizierte Leistung des Modells für das nächste Quartal den Prognosen für ein weiteres Quartal aus aufeinanderfolgenden geldpolitischen Berichten. Dies spiegelt die Tatsache wider, dass der hier beschriebene Ansatz viele der bestehenden Heuristiken formalisiert, die die Prognostiker der Financial institution verwenden, wie etwa die stärkere Gewichtung schwächerer Indikatoren zu Beginn des Datenzyklus und die Nutzung einer breiten Palette von Daten.
Interessanterweise übersteigt die Leistung des kombinierten Modells auf einen Zeitraum von einem Jahr tatsächlich leicht die aufeinanderfolgenden geldpolitischen Berichte. Dies ist wahrscheinlich auf zwei Faktoren zurückzuführen: Datengesteuerte Prognoseansätze könnten auf Sicht von einem Jahr stärker strukturelle Modelle wie die unterstützen, die den Financial Coverage Report unterstützen; und Financial Coverage Report Prognosen sind bedingte Prognosen, deren Prognosegenauigkeit nur eine Anforderung des Modells unter vielen anderen Anforderungen ist.
Harvey Daniell und Andre Moreira arbeiten in der Abteilung „Aktuelle wirtschaftliche Bedingungen“ der Financial institution.
Wenn Sie mit uns Kontakt aufnehmen möchten, senden Sie uns bitte eine E-Mail an bankunderground@bankofengland.co.uk oder hinterlassen Sie unten einen Kommentar.
Kommentare werden erst angezeigt, wenn sie von einem Moderator genehmigt wurden, und werden nur veröffentlicht, wenn ein vollständiger Title angegeben wird. Financial institution Underground ist ein Weblog für Mitarbeiter der Financial institution of England, um Ansichten auszutauschen, die die vorherrschenden politischen Orthodoxien in Frage stellen oder unterstützen
Teilen Sie den Beitrag „Prognose kurzfristiger Tendencies auf dem Arbeitsmarkt“