Forecasting and the identification of structural shocks are two main purposes in empirical time series models. In this dissertation, I study both purposes in the context of two frequent empirical issues: the estimation of large data models and handling unbalanced panels. The first and third chapters focus on the estimation of vector autoregressions (VARs) for the euro area economy using large data sets and mixed frequencies, respectively. Although the identification of macroeconomic shocks in the context of VARs is well studied, the literature regarding large structural VARs and structural mixed frequency VARs is scarce. Therefore, with these two chapters, I contribute to the existing literature by integrating an identification strategy involving the use of external data and sign restrictions in the context of the aforementioned VARs. The second and third chapters deal with methodologies for unbalanced panels to estimate nowcasts and forecasts. Specifically, in the second chapter, I study different patterns of missing observations in forecasting US inflation with factor models. In the third chapter, I analyze the use of a mixed frequency data with distinct publication delays for the forecasting of key labor market variables using a VAR.
In the first chapter, I propose a novel identification approach based on a set of high frequency surprises and the estimation of a factor model. Since the Great Recession, the European Central Bank (ECB) is deploying a plethora of conventional and unconventional monetary policy tools, to provide an ample degree of accommodation. To summarize the ECB's monetary policy stance, I identify shocks capturing changes in the policy rates, the communication of the economic outlook, forward guidance, policies to ease lending conditions, and quantitative easing (QE). This differentiation is a key contribution to the literature assessing euro area monetary policy. To the best of my knowledge, this is the first paper to simultaneously identify five shocks capturing the multidimensionality of the ECB's policy toolkit. In a second step, I estimate a large Bayesian VAR to study the effectiveness of each of the considered tools for achieving the ECB's mandate of price stability. I find that most of the tools anchor the long-term inflation expectations of forecasters. However, only forward guidance and QE raise inflation for about two years after the shocks. In an additional exercise, I re-estimate the model discarding long-term inflation expectations, where I find a muted response of inflation to forward guidance and QE shocks. These results highlight the relevance of the anchoring of inflation expectations for transmitting monetary policy to inflation.
The second chapter digs into the problem of missing observations in large data sets, where I evaluate US inflation forecasting based on factor models. To the best of my knowledge, no previous paper conducts an empirical comparison of the existing methodologies dealing with missing observations while simultaneously, concentrating on inflation forecasting. I find more accurate inflation forecasts when I select a large data set and a method that formally deals with unbalanced panels. Moreover, I find that variables related to interest rates and spreads are crucial for improving the accuracy of the forecasts during the Great Recession. In contrast, for the ongoing COVID-19 crisis, variables related to consumption, orders, and inventories are relevant for the construction of the forecasts. This is because these variables summarize both supply and demand elements, which are key components of the COVID-19 shock.
In the third chapter, joint work with Agostino Consolo and Claudia Foroni, we construct a structural mixed frequency Bayesian VAR for the euro area, where we identify macroeconomic and labor market shocks via sign restrictions. This model allows to assess the main drivers of both the nowcasts and the full history of the time series in the model. We find that aggregate demand governs the dynamics of most of the variables in the model during the Great Recession. Moreover, we find that shocks emerging in the labor market play a crucial role in explaining the low inflation and low wage dynamics after 2013. In an early assessment of the COVID-19 crisis, we find that aggregate supply and labor supply seem to be essential in explaining the developments in the labor market. Furthermore, we conduct a pseudo real-time forecasting analysis and find that our model produces suitable point-forecasts for the employment growth rate, the job flows, and the industrial production growth rate.
Prognosen und die Identifikation von strukturellen Schocks sind zwei Hauptanwendungsbereiche für empirische Zeitreihenmodelle. In dieser Dissertation untersuche ich beide Anwendungsbereiche vor dem Hintergrund von zwei häufigen empirischen Problemstellungen: Die Schätzung von Modellen mit großem Datensatz und dem Umgang mit fehlenden Beobachtungen. Das erste und dritte Kapitel konzentriert sich auf die Schätzung von vektorautoregressiven Modellen (VARs) für die Eurozone jeweils unter Heranziehung von großen Datensätzen und gemischten Frequenzen. Auch wenn die Identifikation von makroökonomischen Schocks in der Literatur bereits viel Beachtung gefunden hat, sind Arbeiten zu großen strukturellen VARs und strukturellen gemischten Frequenzen selten. Meine Arbeiten leisten daher einen Beitrag zur bestehenden Literatur, indem sie eine Identifikationsstrategie unter Heranziehung von externen Daten und Vorzeichenrestriktionen in den Kontext der oben genannten VARs einbinden. Das zweite und dritte Kapitel widmen sich Prognosen und Nowcasts, die auf Methoden zum Umgang mit fehlenden Beobachtungen aufbauen. Im Detail betrachte ich im zweiten Kapitel verschiedene Muster fehlender Beobachtungen bei US-Inflationsvorhersagen mit Faktorenmodellen. Im dritten Kapitel analysiere ich die Anwendung von Daten mit gemischten Frequenzen und unterschiedlichen Verzögerungen bei der Veröffentlichung für die Vorhersage von Kernvariablen des Arbeitsmarkts mit einem VAR.
Im ersten Kapitel schlage ich eine neue Identifikationsmethode basierend auf Hochfrequenzüberraschungen und der Schätzung eines Faktorenmodells vor. Seit der großen Rezession wendet die Europäische Zentralbank (EZB) eine Fülle von konventionellen und unkonventionellen Maßnahmen der Geldpolitik an, mit dem Ziel eine größtmögliche geldpolitische Lockerung zu erreichen. Um die geldpolitische Ausrichtung der EZB vollumfänglich zu erfassen, identifiziere ich Schocks, die Veränderungen in Leitzinsen, der Kommunikation von wirtschaftlichen Aussichten, Leitlinien für die zukünftige Leitzinsentwicklung (forward guidance), Maßnahmen zur Lockerung von Kreditbedingungen und quantitative Lockerungen (oder QE vom englischen Begriff Quantitative Easing) beachten. Soweit mir bekannt, ist diese Arbeit die erste ihrer Art, die gleichzeitig 5 Schocks identifiziert und so der Multidimensionalität der Maßnahmen der EZB Rechnung trägt. In einem zweiten Schritt schätze ich ein großes bayesianisches VAR, um die Effektivität jeder einzelnen Maßnameart zur Erreichung des Preisstabilitätziels der EZB zu untersuchen. Ich komme zu dem Ergebnis, dass die meisten Schocks die langfristigen Inflationserwartungen von professionellen Ökonomen verankern. Unabhängig davon erhöhen jedoch nur QE und forward guidance die Inflation in einem Zeitraum von etwas mehr als 2 Jahren nach den Schocks. Zusätzlich schätze ich das Model erneut ohne Berücksichtigung von langfristigen Inflationserwartungen und komme zu dem Ergebnis, dass sich in diesem Fall eine schwache Reaktion der Inflation als Antwort auf forward guidance und QE beobachten lässt.
Das zweite Kapitel, in dem ich US-Inflationsvorhersagen auf der Basis von Faktormodellen untersuche, widmet sich dem Problem von fehlenden Beobachtungen in großen Datensätzen. Nach meinem besten Wissen existiert bisher kein Beitrag, der einen empirischen Vergleich der existierenden Methoden zum Umgang mit fehlenden Beobachtungen durchführt und sich gleichzeitig auf Inflationsvorhersagen fokussiert. Ich erhalte akkuratere Inflationsvorhersagen durch die Verwendung eines großen Datensets und einer Methode, die formal mit fehlenden Beobachtungen umgeht. Darüber hinaus zeige ich, dass Variablen in Verbindung zu Zinssätzen und Zinsspreads die Genauigkeit von Vorhersagen während der großen Rezession wesentlich verbessern. Im Gegensatz dazu sind für die anhaltende COVID-19-Krise Variablen mit Bezug zu Nachfrage, Bestellungen und Inventaren wesentlich für die Erstellung von Vorhersagen. Dieser Umstand ist darauf zurückzuführen, dass diese Variablen Nachfrage- und Angebotselemente gleichermaßen betreffen, die wiederum zentrale Elemente des COVID-19 Schocks sind.
Im dritten Kapitel, welches in Zusammenarbeit mit Agostino Consolo und Claudia Foroni verfasst wurde, konstruieren wir ein strukturelles bayesianisches VAR mit gemischter Frequenz für den Euroraum, um makroökonomische- und Arbeitsmarkt-Schocks mit Hilfe von Vorzeichenrestriktionen zu identifizieren. Dieses Modell erlaubt es uns die Haupttreiber des Nowcasts und der gesamten Historie der Zeitreihe zu bemessen. Als Ergebnis lässt sich feststellen, dass die aggregierte Nachfrage die Dynamik der meisten Variablen während der großen Rezession bestimmt. Darüber hinaus stellen wir fest, dass Schocks auf dem Arbeitsmarkt eine zentrale Rolle bei der Erklärung der Dynamik aus geringer Inflation und geringem Lohn nach 2013 spielen. In einer vorläufigen Bewertung der COVID-19-Krise kommen wir zu dem Ergebnis, dass aggregiertes Angebot und Arbeitsangebot wesentlich für die Entwicklung auf dem Arbeitsmarkt scheinen. Zusätzlich führen wir eine Analyse einer pseudo-Echtzeit-Prognose durch. Unsere Ergebnisse zeigen, dass unser Modell geeignete Punktprognosen für Arbeitsmarktvariablen und die Wachstumsrate industrieller Produktion liefert.
