شاخص های نقطه عطف در زمان واقعی

مشخص می کند که چه روش هایی برای شناسایی نقاط عطف اقتصادی در زمان واقعی وجود دارد و چه شاخص هایی که مؤسسات بین المللی آماری و اقتصادی را منتشر می کنند ، وجود دارد. این یک مقاله بررسی اقتصادی است.

این آخرین نسخه است.

تاریخ انتشار: 27 آوریل 2020

فهرست مطالب

1. نکات اصلی
2. معرفی
3. نقاط عطف
4. روشهای چرخش نقطه
5. سیستم CSO یا ONS شاخص های چرخه ای
6. شاخص های بررسی ما
7. نمونه ای از شاخص های نقطه عطف
8. نتیجه گیری
9. نویسندگان

1. نقاط اصلی

• طبق نظرسنجی از مؤسسات پیشرو آماری و اقتصادی ، نظرسنجی های تجاری و مصرف کننده محبوب ترین منبع داده ها برای شاخص های پیشرو است (به عنوان مثال ، نظرسنجی هایی که از مدیران مشاغل در مورد کتاب سفارش خود و برنامه های تولیدی خود درخواست می کنند شاخص های پیشرو بسیار مفیدی را نشان داده اند).
• شاخص های کامپوزیت محبوب ترین نوع شاخص های نقطه عطف هستند ، در حالی که شاخص های مبتنی بر تجزیه و تحلیل عاملی و مدل های سوئیچینگ رژیم اخیراً با موفقیت توسعه یافته اند و شاخص های مبتنی بر فعالیت تولید و منحنی عملکرد در ایالات متحده به خوبی مورد توجه قرار می گیرند.
• استفاده از پایگاه داده های جدید ، داده های بزرگ و یادگیری ماشین در حال حاضر بسیار محدود است ، اما بسیار امیدوار کننده است. پردیس علوم داده های آمار ملی (ONS) اخیراً با انتشار شاخص های سریعتر خود ، کمک های مهمی را انجام داده است.

2. مقدمه

این تحقیق توسط ONS به عنوان بخشی از برنامه تحقیقاتی مرکز آمار اقتصادی تعالی (ESCOE) تأمین شده است ، و این مقاله توسط سیریل لنوئل و گری یانگ ، از انستیتوی ملی تحقیقات اقتصادی و اجتماعی و آمار اقتصادی تألیف شده است. مرکز تعالی.

نقاط عطف به زمانی اشاره می کنند که اقتصاد از یک مرحله از چرخه اقتصادی به مرحله مرحله دیگر منتقل می شود. کمیته های دوستیابی چرخه تجاری رسمی مانند دفتر ملی تحقیقات اقتصادی (NBER) در ایالات متحده ، کمیته دوستیابی چرخه تجارت منطقه یورو (EABCDC) و کمیته پیشنهادی چرخه تجارت در انگلستان از طیف وسیعی از شاخص های اقتصادی برای تعیین قله ها و فرورفتگی ها استفاده می کنندچرخه تجارت. با این حال ، آنها فقط تصمیمات خود را چند ماه پس از وقوع نقطه عطف اعلام می کنند.

شناسایی نقاط عطف اقتصادی برای تصمیم گیرندگان که ممکن است مجبور شوند سیاست های خود را تطبیق دهند ، به ویژه هنگامی که اقدامات آنها برای کار از طریق اقتصاد زمان لازم است ، مهم است. آنچه شناسایی نقاط عطف در زمان واقعی را به ویژه دشوار می کند این است که داده های اقتصادی با تأخیر تا چند ماه جمع آوری و منتشر می شوند و این باعث می شود آنها شاخص های نقطه عطف کمتری داشته باشند.

در عوض ، اقتصاددانان و تحلیلگران بازار غالباً از نظرسنجی های تجاری و خانوارها به عنوان شاخص های اصلی برای تکمیل داده های رسمی اقتصادی استفاده می کنند. ظهور Big Data همچنین استفاده از پایگاه داده های زمان واقعی (مانند حمل و نقل ، فروش آنلاین و هزینه با کارت) را امکان پذیر کرده است که شواهد به روز تری در مورد روندهای فعلی تجارت و فعالیت های اقتصادی گسترده تر ارائه می دهد.

هدف از این مطالعه جمع آوری اطلاعات در مورد و طبقه بندی برخی از شاخص های نقاط عطف مورد استفاده در سراسر جهان است ، به ویژه تعریف روش برای ساخت شاخص هایی که محبوب ترین و یا بیشترین قول را دارند. این تمرین توسط یک نظرسنجی آنلاین که به آژانس های اصلی آماری و اقتصادی در سایر کشورها ارسال شده است ، تسهیل شد. هدف از مطالعه ، ارزیابی عملکرد شاخص های مختلف نیست ، فقط برای گزارش در مورد استفاده از آنها و نحوه ارائه آنها.

ما ادبیات را در مورد روش های نقطه عطف خلاصه می کنیم. سپس شاخص های نقطه عطف کامپوزیت را که توسط دفتر آماری مرکزی (CSO) تولید شده است ، پیشرو دفتر آمار ملی (ONS) توصیف می کنیم. ما برخی از شاخص های مختلفی را که توسط سازمان های سایر کشورها منتشر می شود و نحوه ارائه آنها را بیان می کنیم و توضیح می دهیم که چگونه ما نظرسنجی خود را برای جمع آوری داده ها تولید کردیم.

3. نقاط عطف

نقاط عطف به عنوان نقاط انتقال بین مراحل RCycle تجارت تعریف می شوند. برنز و میچل (1947) گفتند که چرخه تجارت "شامل گسترش هایی است که تقریباً در همان زمان در بسیاری از فعالیت های اقتصادی اتفاق می افتد ، و به دنبال آن رکودهای عمومی ، انقباضات و احیای مشابه که در مرحله گسترش چرخه بعدی ادغام می شوند: این دنباله تغییر استمکرر اما دوره ای نیست ". با این حال ، تعاریف جایگزین از چرخه های تجاری وجود دارد: چرخه نرخ رشد توسط دوره های شتاب و کاهش در رشد اقتصادی تعریف می شود و انحراف از روند به عنوان دوره های رشد سریعتر و کندتر از رشد روند تعریف می شود. شکل 1 نشان می دهد که چگونه نقاط عطف با توجه به تعریف چرخه انتخاب شده شناسایی می شوند.

شکل 1: نقاط عطف نقاط انتقال بین مراحل چرخه تجارت است

تصویری از نقاط عطف با توجه به تعاریف چرخه های تجاری

منبع: مرکز تعالی آمار اقتصادی (ESCOE)

این تصویر را بارگیری کنید شکل 1: نقاط عطف نقاط انتقال بین مراحل یک چرخه تجارت است

آنچه از نتایج این نظرسنجی جالب توجه است این است که گسترش سریع منابع داده و بهبود روش پیش بینی ، پیش بینی نقاط عطف در زمان واقعی را بسیار ساده تر نکرده است. یک واقعیت تلطیف شده در ادبیات چرخه تجارت این است که پیش بینی قله ها نسبت به فرورفتگی چرخه های تجاری دشوارتر است. در مطالعه ای از 10 تحلیلگر اقتصادی ایالات متحده بین سالهای 1948 و 1961 ، فلز و هینشو (1968) تخمین زدند كه تحلیلگران انتظار می رود كه به محض یك ماه قبل از وقوع ، حداقل 50 ٪ از حدود 50 ٪ را داشته باشند ، اما احتمال اوج فقط اوجسه ماه پس از وقوع اوج به 50 ٪ رسید. در آن دوره ، اقتصاد ایالات متحده چهار رکود تجربه کرد. جفری مور در سال 1950 نوشت: "اگر کاربر شاخص های آماری نتوانست بهتر از این باشد که به طور همزمان ، نوبت های اقتصادی را که در تاریخ مرجع ما مشخص شده است ، به رسمیت بشناسد ، او سابقه بهتری نسبت به اکثر همراهان خود خواهد داشت".

نزدیک به 70 سال بعد ، شناسایی نقاط عطف هنوز دشوار است. به عنوان مثال ، بررسی پیش بینی کنندگان حرفه ای (SPF) ، قدیمی ترین بررسی سه ماهه پیش بینی های کلان اقتصادی در ایالات متحده ، حاوی پیش بینی های متوسط 40 پیش بینی کننده است که پیش بینی می کنند تولید ناخالص داخلی ما (GDP) تا پنج چهارم جلوتر باشد. برای تمرکز خاص روی قله ها ، ما از نظرسنجی پیش بینی های کاهش تولید ناخالص داخلی بین آخرین چهارم و یک تا پنج چهارم جلوتر را استخراج می کنیم.

ما نسبت کل پیش بینی های پیش بینی چنین کاهش چنین کاهش تولید ناخالص داخلی را در واقع در دوره بین سه ماهه 4 (اکتبر تا دسامبر) 1968 و سه ماهه 3 (ژوئیه تا سپتامبر) مقایسه می کنیم. اگر پیش بینی کنندگان درک خوبی داشتنداز نقاط عطف در زمان واقعی ، انتظار می رود که این دو اقدام به طور متوسط به یکدیگر نزدیک باشند.

شکل 2 نشان می دهد که پیش بینی کنندگان در پیش بینی فرکانس رکودها یک چهارم جلوتر از یک رکورد خوب برخوردار هستند اما خطای پیش بینی گسترده ای را نشان می دهند که بیشتر آنها سعی در پیش بینی دارند. نسبت پیش بینی های پیش بینی کاهش تولید ناخالص داخلی بین آخرین سه ماهه و پنج چهارم پیش رو 3. 5 ٪ است که در صورت بروز چنین کاهش ، بسیار پایین تر از فرکانس 10 ٪ است. این خطای پیش بینی ممکن است نشان دهنده تعصب خوش بینی توسط پیش بینی کنندگان باشد. آنها ممکن است فکر کنند که رکودها کمتر مکرر هستند و وقتی اتفاق می افتد ، به همان اندازه که معلوم شد شدید نخواهد بود. 1

شکل 2: پیش بینی کنندگان در پیش بینی کاهش تولید ناخالص داخلی ایالات متحده تعصب دارند

نظرسنجی از پیش بینی کنندگان پیش بینی کاهش تولید ناخالص داخلی بین آخرین سه ماهه و یک تا پنج چهارم پیش رو ، واقعی در مقابل پیش بینی شده

منبع: بررسی پیش بینی کنندگان حرفه ای (SPF)

یادداشت:

1. مقایسه نسبت تمام پیش بینی های حرفه ای در بررسی پیش بینی کنندگان حرفه ای (SPF) پیش بینی کاهش تولید ناخالص داخلی (تولید ناخالص داخلی) بین آخرین سه ماهه و یک تا پنج چهارم با توجه به اینکه در واقع چنین کاهش می یابد.
2. پیش بینی ها و تعداد تولید ناخالص داخلی بین سه ماهه 4 (اکتبر تا دسامبر) 1968 و سه ماهه 3 (ژوئیه تا سپتامبر) 2019 گرفته شده است.

این نمودار را بارگیری کنید شکل 2: پیش بینی کنندگان در پیش بینی کاهش در تولید ناخالص داخلی ایالات متحده تعصب دارند

پاسخ دهندگان SPF همچنین احتمال خود را برای کاهش تولید ناخالص داخلی واقعی یک چهارم پیش رو ارائه می دهند. شکل 3 میانگین احتمال در بین همه پیش بینی کنندگان است که توسط فیلادلفیا به عنوان "شاخص اضطراب" یاد شده است. یکی از ویژگی های این شاخص این است که قبل از شروع رکود ، تمایل به بالا رفتن قابل توجهی دارد و به همین ترتیب می توان آن را یک نشانگر نقطه عطف معاصر در نظر گرفت. بر خلاف شاخص های مبتنی بر پیش بینی های پیش بینی کننده اقتصادی ، که تا حدودی منعکس کننده قضاوت پیش بینی کنندگان است ، این مقاله بر شاخص های مبتنی بر داده ها که در آن پیش بینی ها تغذیه می شوند ، متمرکز است.

شکل 3: "شاخص اضطراب" قبل از شروع رکود اقتصادی به طور قابل توجهی بالا می رود

میانگین احتمال کاهش تولید ناخالص داخلی یک چهارم جلو

منبع: بانک مرکزی فدرال رزرو فیلادلفیا

یادداشت:

1. Q1 برابر با سه ماهه 1 (ژانویه تا مارس) ، Q2 برابر با سه ماهه 2 (آوریل تا ژوئن) ، Q3 برابر با سه ماهه 3 (ژوئیه تا سپتامبر) و Q4 برابر با سه ماهه 4 (اکتبر تا دسامبر) است.

این نمودار را بارگیری کنید شکل 3: "شاخص اضطراب" قبل از شروع رکود به طور قابل توجهی بالا می رود

4- روشهای نقطه عطف

جیمز همیلتون (2011) نظرسنجی از ادبیات دانشگاهی را در مورد شناسایی قله های چرخه تجارت نوشت. وی تأکید کرد که چرا شناسایی نقاط عطف در زمان واقعی دشوار است. در حالی که تعیین کننده های اصلی رشد اقتصادی بلند مدت به طور کلی به عنوان جمعیت ، سرمایه و فناوری مشخص می شوند ، اما اجماع کمتری در مورد دلایل نوسانات کوتاه مدت در فعالیت های تجاری وجود دارد. رکود اقتصادی ناشی از بحران های مالی ، بحران بازار مسکن ، جنگ یا سیاست های تهاجمی پولی یا مالی است. بدون داشتن یک مدل اقتصادی که چنین کانال هایی را در بر می گیرد ، لازم است به استنتاج آماری اعتماد کنید ، و چنین مدل هایی به طور معمول فقط در صورتی که رکود بعدی مانند نمونه های قبلی باشد ، خوب کار می کنند.

تجزیه و تحلیل چرخه تجارت دارای سابقه طولانی در دفتر ملی تحقیقات اقتصادی (NBER) در ایالات متحده است. رویکرد شاخص به تجزیه و تحلیل چرخه تجارت و پیش بینی در دهه 1930 با کار آرتور برنز و وسلی میچل سرچشمه گرفت. میچل و برنز (1938) برای شاخص هایی که در حالت ایده آل پنج ویژگی دارند ، نمایش داده می شوند:

• سریال های طولانی مدت
• زمان سرب مداوم به سری مرجع
• سریال صاف
• حرکات چرخه ای به راحتی قابل تشخیص است
• یک توضیح اقتصادی قابل قبول که چرا آن را به چرخه تجارت مرتبط می کند

آنها شاخص هایی را که به بهترین وجه با آن ویژگی ها "شاخص های احیای چرخه ای" مطابقت داشتند ، خواندند.

وارونگی منحنی عملکرد

یک شاخص پیشرو بسیار ساده و محبوب از رکود اقتصادی وارونگی منحنی عملکرد است. رکودها اغلب با منحنی عملکرد در حال حرکت از یک مثبت به یک شیب منفی همراه بوده است. یک شیب مثبت از منحنی عملکرد از این واقعیت ناشی می شود که سرمایه گذاران برای نگه داشتن اوراق بهادار بلوغ طولانی تر (اصطلاح حق بیمه) به حق بیمه نیاز دارند یا انتظار دارند که نرخ های کوتاه مدت در آینده بالاتر باشد. یک شیب منفی یک واقعه غیرمعمول تر است - در 65 سال گذشته کمتر از 10 ٪ از زمان در ایالات متحده رخ داده است - این واقعیت را نشان می دهد که اقتصاد احتمالاً در یک مرحله گذرا است و این دوره ممکن است نشان دهد که یک رکود اقتصادی احتمالاً استبه زودی اتفاق بیفتد

لورن (1988) برای اولین بار نشان داد كه گسترش در بازده بین یادداشت های خزانه داری طولانی تر و كمكهای کوتاه مدت T می تواند به پیش بینی رشد محصول ناخالص ملی (GNP) آینده کمک کند. استرلا و میشکین (1998) با مقایسه نقش بازده در سایر شاخص های مالی و اقتصادی ، نتیجه گرفتند که در حالی که بورس سهام دارای قدرت پیش بینی خوبی در رکودهای پیش بینی یک چهارم پیش رو است ، بازده گسترش در افکار طولانی مدت ، به ویژه یک نفر حاکم است. سال پیش1

شاخص های همزمان و پیشرو

سهام و واتسون (1989) با ارائه یک چارچوب رسمی برای تعریف شاخص های همزمان و پیشرو و همچنین تعریف یکی از اولین شاخص های رکود اقتصادی ، نقش مهمی در تجزیه و تحلیل چرخه تجارت داشتند. مدل آنها این ایده محبوب را رسمیت داد که چرخه مرجع با نگاهی به حرکات مشترک در چندین سری زمانی کل اندازه گیری شد. شاخص اقتصادی همزمان پیشنهادی آنها (CEI) برآوردی از ارزش یک متغیر منفرد واحد ، که به آن فاکتور پویا نیز گفته می شود ، بود که قرار است وضعیت اقتصاد را در چرخه تجارت نشان دهد. هر حرکتی در یک سری همزمان خاص ، مانند تولید صنعتی ، ممکن است به حرکات فاکتور پویا به علاوه یک مؤلفه ایدیوسنکراتیک تجزیه شود. سهام و واتسون شاخص رکود اقتصادی را به عنوان برآوردی از احتمال اینکه عامل پویا حداقل برای شش ماه متوالی کاهش یابد ، تعریف کردند.

شاخص های پیشرو کامپوزیت

اینها همچنین در خارج از ایالات متحده برای اروپا و سایر کشورها ساخته شده اند. کارستنسن و همکاران.(2011) با مقایسه شاخص های مختلف پیشرو کامپوزیت در پیش بینی تولید صنعتی منطقه یورو برای افق های مختلف پیش بینی مقایسه شد. آنها از تست های آماری عملکرد مدل استفاده کردند. آنها دریافتند که برای پیش بینی های یک ماهه ، شاخص آب و هوای تجاری کمیسیون اروپا و سازمان همکاری اقتصادی و توسعه اقتصادی (OECD) شاخص پیشرو کامپوزیت به خوبی انجام شده است. برای پیش بینی های شش ماهه ، شاخص پیشرو کامپوزیت OECD بسیار خوب عمل کرد. و برای پیش بینی های 12 ماهه ، شاخص DZ Bank Euro تنها یک شاخص کامپوزیت بود که می تواند مدل معیار خود را که حاوی یک تاخیر واحد است ، شکست دهد.

مدل های پل

اینها داده های سه ماهه از آمار ملی را با داده های ماهانه تولید شده در ابتدا به منظور تولید پیش بینی تولید ناخالص داخلی (تولید ناخالص داخلی) در سه ماهه فعلی یا بعدی ترکیب می کنند. به عنوان مثال از مدل های پل برای پیش بینی تولید ناخالص داخلی فرانسوی یا یورو استفاده شده است. یک روش کمی دقیق تر برای ترکیب داده های فرکانس مختلط استفاده از یک مدل فاکتور پویا با فرکانس مختلط است. مزیت مدل های فاکتور این است که آنها تعریف چرخه های تجاری را مطابق با یک روند اساسی تعریف می کنند که طیف وسیعی از شاخص های اقتصادی را در یک جهت قرار می دهد.

کمیسیون اروپا شاخص های آب و هوایی را ایجاد کرد که به همین ترتیب روند را از انواع شاخص های مؤلفه استخراج می کند. مدل های فرکانس مختلط یک چارچوب تحلیلی برای پیش بینی تولید ناخالص داخلی ، تورم و اشتغال ارائه می دهند ، اما مطالعات کمی نشان داده اند که مدل های ساده تر مبتنی بر میانگین داده های فرکانس بالاتر گاهی اوقات به عنوان نتایج خوبی ارائه می دهند.

نوسان

مجموعه متمایز از مدل های نقطه عطف مبتنی بر تغییر رژیم است که فرض می کند اقتصاد می تواند چندین رژیم داشته باشد و ناگهان از یکی به دیگری پرش می کند. در حالی که پرش از یک رژیم به رژیم دیگر ممکن است ناگهان باشد ، متغیرهای اقتصادی قابل مشاهده به دلیل اصطکاک تمایل دارند که خیلی آهسته تر حرکت کنند. Neftçi (1982) یک مدل احتمال پی در پی را تعریف کرد ، که در آن احتمال یک نقطه عطف به طور متوالی با استفاده از اطلاعات فعلی به همراه احتمال خلفی قبلاً تخمین زده می شود. Neftçi مدل خود را در شاخص شاخص های پیشرو برای دوره از سال 1971 تا 1975 آزمایش کرد و دریافت که رکود اقتصادی را با دقت بیشتری از قانون اکتشافی سه کاهش متوالی در شاخص پیش بینی می کند.

داده های بزرگ و تکنیک های یادگیری ماشین

با در دسترس بودن بانکهای اطلاعاتی جدید و بزرگ ، این فرصت ایجاد شده است که از داده های بزرگ و تکنیک های یادگیری ماشین برای پیش بینی نقاط عطف اقتصادی استفاده می شود و رشته جدیدی از تحقیق را ایجاد می کند. با تعداد زیادی از متغیرهای توضیحی ، تکنیک های استاندارد مانند حداقل مربعات معمولی ، حداکثر احتمال یا استنباط بیزی با مقدمات غیر آگاهانه ، عدم اطمینان تخمین را بزرگتر می کند و پیش بینی های نادرست خارج از نمونه را تولید می کند. بنابراین ، روش های استنباط با هدف مقابله با ابعاد ، به طور فزاینده ای محبوب شده اند.

این روشها را می توان به دو کلاس گسترده تقسیم کرد. مدل سازی پراکنده بر انتخاب مجموعه کوچکی از متغیرهای توضیحی با بالاترین قدرت پیش بینی تمرکز دارد. از طرف دیگر ، مدل سازی متراکم تشخیص می دهد که تمام متغیرهای توضیحی احتمالی ممکن است برای پیش بینی مهم باشد و سعی می کند وزنی را به هر یک از آنها اختصاص دهد ، حتی اگر تأثیر فردی آنها کوچک باشد. تجزیه و تحلیل عاملی یا رگرسیون خط الراس نمونه های استانداردی از مدل سازی آماری متراکم است.

به عنوان مثال ، Buckles و همکاران.(2018) ، با استفاده از داده های بزرگ ، نشان داد که باروری کل به عنوان یک شاخص اصلی در رکود اقتصادی در ایالات متحده است. نرخ رشد برای برداشت ها به طور کلی قبل از کاهش اقتصادی چندین چهارم کاهش می یابد. محققان بانک فدرال رزرو شیکاگو شاخص فعالیت ملی فدرال شیکاگو (CFNAI) را گسترش دادند تا آنچه را که آنها "داده های بزرگ" فعالیت اقتصادی ایالات متحده را با استفاده از تکنیکی به نام تجزیه و تحلیل عاملی فروپاشیده برای جمع آوری حدود 500 سری زمانی کلان اقتصادی تعریف کردند.

یکی از کاربردهای یادگیری ماشین در زمینه نقطه عطف پیش بینی رکود اقتصادی است. تکنیک هایی مانند ماشین های بردار پشتیبانی ، پیچ و تاب زمان پویا ، افزایش الگوریتم ها ، جنگل های تصادفی و شبکه های عصبی به میزان مختلفی از موفقیت ها اعمال شده است. جستجوگرها از پردیس علوم داده با استفاده از داده های بزرگ از AIS (یک سیستم موقعیت یابی ماهواره ای) عملیات حمل و نقل را مورد تجزیه و تحلیل قرار داده اند. و CERS (سیستم گزارشگری ادغام شده اروپا ، که حاوی جزئیاتی مانند بندر مقصد و زمان انتظار برای سفر هر کشتی است). آنها با موفقیت یک مدل یادگیری ماشین را برای طبقه بندی رفتار کشتی ها ایجاد کردند و از آن برای پیش بینی تأخیرهای کشتی هنگام ورود بندر استفاده کردند. اگرچه این مدل به خودی خود جالب است ، اما جالب تر این است که چگونه می توان چنین مدل هایی را گسترش داد. نویسندگان نوشتند که داده های AIS و CERS "می توانند برای کشف ، درک و ضبط این روابط بین تولید ناخالص داخلی و حجم حمل و نقل حمل و نقل استفاده شوند. سپس تکنیک های یادگیری ماشین تحت نظارت می تواند برای تولید شاخص های اولیه تولید ناخالص داخلی و پشتیبانی از تصمیم گیری مبتنی بر تولید ناخالص داخلی در استفاده شود. دوره بین نسخه های سه ماهه رسمی. "

یکی از چالش برانگیزترین ویژگی های پیش بینی نقاط عطف نحوه برخورد با تجدید نظر در داده ها است. از آنجا که بیشتر آمارهای رسمی از نظرسنجی ها و درآمدهای خود گزارش شده توسط خانوارها ، مشاغل و سایر نهادها ساخته شده است ، این آمار اغلب با در دسترس بودن داده ها اصلاح می شود و با آشتی ، خطاها و حذفیات به آنها رسیدگی می شود. این اصلاحات نه تنها در هفته ها یا ماه های بعد از اولین انتشار آمار ، بلکه گاهی اوقات در سالهای بعد نیز رخ می دهد. این واقعیت باعث می شود پیش بینی مانند تلاش برای هدف قرار دادن یک هدف در حال حرکت ، بدون اینکه هرگز بدانید که آیا واقعاً به آن ضربه زده اید.

گالوو و کارا (2019) تأثیر تجدید نظر در مورد داده های تولید ناخالص داخلی را در پیش بینی نقاط عطف برای انگلیس در نظر گرفتند. به عنوان مثال ، اوج مشخص شده در سه ماهه 3 (ژوئیه تا سپتامبر) 2011 نشان می دهد که رکود اقتصادی در اواخر سال 2011 یا اوایل سال 2012 از بین می رود زیرا بازنگری های داده ها بعداً گنجانیده می شوند. آنها در عوض پیشنهاد کردند که به طیف وسیع تری از آمار و شاخص های ماهانه برای پیش بینی مرحله چرخه تجارت در زمان واقعی بپردازند.

یادداشت ها برای: روش های نقطه عطف

1. شواهد بین المللی از آمریكا آمیخته تر است ، زیرا گسترش بازده به خوبی پیش بینی می شود كه ركود اقتصادی در آلمان و کانادا پیش بینی می شود اما در ژاپن و ایتالیا کمتر عمل می کند. لنوئل (2018) در مورد اینکه آیا کاهش کمی و محدود کردن صفر ممکن است توانایی منحنی عملکرد را برای پیش بینی رکود اقتصادی در ایالات متحده کاهش داده باشد ، بحث کرد.

5- سیستم CSO یا ONS شاخص های چرخه ای

در حالی که دفتر آمار ملی (ONS) در حال حاضر هیچ شاخص چرخه ای کامپوزیتی را منتشر نمی کند ، پیشینیان ONS ، دفتر آماری مرکزی (CSO) برای انتشار شاخص های کامپوزیت استفاده می شود. با شروع سال 1975 ، CSO به طور مرتب مجموعه ای از شاخص های چرخه ای را منتشر کرد و شاخص های کامپوزیت آنها به عنوان شاخص های پیشرو ، همزمان و عقب مانده تقسیم می شود ، همانطور که در ماه مه 1976 منتشر شد. دو چیز ممکن است آماری اقتصادی مدرن را غافلگیر کند. یکی این است که تولید ناخالص داخلی (تولید ناخالص داخلی) در سه شکل محاسبه شده خود (هزینه ، خروجی و رویکردهای درآمد) وارد نشانگر تقریباً تصادفی شد ، ظاهراً وزن بیشتری در شاخص و میانگین اختلافات آماری به دست آورد. نکته دیگر این است که سفارشات و سرمایه گذاری ها شاخص های عقب مانده در نظر گرفته می شدند.

روش ساخت شاخص های کامپوزیت از کار برنز و میچل در دفتر ملی تحقیقات اقتصادی (NBER) گرفته شده است. هر سری مؤلفه از بین رفت ، صاف و نجات یافت. شاخص ها به عنوان مجموع وزنی سری های تشکیل دهنده آنها محاسبه شدند. هنگامی که برخی از داده ها برای سری برخی از ترکیبات از دست رفته بودند ، تخمین زده شد. چرخه زیرین با میانگین متحرک پنج ساله داده شد زیرا این کار برای نشان دادن طول چرخه انجام شده است. CSO (1983) عملکرد شاخص ها را ارزیابی کرد و نتیجه گرفت که آنها در پیش بینی و پیگیری پایان رکود سال 1979 تا 1981 در انگلستان عملکرد خوبی دارند. این بعداً توسط آرتیس و همکاران تأیید شد.(1995) که عملکرد شاخص های کوتاه تر و طولانی تر را برای پیش بینی نقاط عطف ارزیابی کرده است. آنها با استفاده از داده های سال 1957 تا 1992 دریافتند که "شاخص های پیشرو CSO حاوی اطلاعات مهم پیش بینی کننده" هستند ، به ویژه شاخص کامپوزیت پیشرو طولانی تر ، که از چهار متغیر مالی و اقتصادی تشکیل شده بود ، تمایل به هدایت نقاط عطف چهار نفر داشتبه شش ماه

با این حال ، نگرانی های مختلفی با این روش وجود داشت ، که باعث شد ONS در اواخر دهه 1990 انتشار این مجموعه از شاخص ها را متوقف کند. یک مسئله این بود که شاخص های مورد نیاز به طور منظم مورد بررسی قرار می گیرند: شاخصی که سیگنال اولیه را پیش از یک رکود می داد ، ممکن است در صورت متفاوت بودن ماهیت رکود اقتصادی ، خیلی خوب از رکود دیگر کار نکند. مسئله دیگر ، که توسط Yeend (1998) در بررسی خود در مورد شاخص ها برجسته شد ، این بود که "فرض ضمنی یک چرخه پنج ساله ثابت برای محاسبه روند می تواند گمراه کننده باشد اگر آخرین چرخه [غیرعادی] باشد."

اگر چنین شاخص های کامپوزیتی توسط ONS احیا می شد ، باید از آخرین پیشرفت های روش شناختی استفاده شود و بنابراین احتمالاً با نمونه ای که قبلاً منتشر شده متفاوت باشد.

6. شاخص های حاصل از نظرسنجی ما

ما یک پرسشنامه آنلاین را به نمونه ای از مؤسسات پیشرو آماری و اقتصادی بین المللی در مورد استفاده آنها از شاخص های نقطه عطف در زمان واقعی ارسال کردیم. اگر آنها از آنها استفاده می کردند ، به ویژه در مورد روش شناسی سؤال کردیم ، چه مدت از آنها استفاده کرده است ، چالش هایی که برای تولید آن شاخص ها باید بر آن غلبه کنند و چه بازخوردی از کاربران داشتند. ما همچنین از آنها سؤال کردیم که آیا آنها تجزیه و تحلیل کمی از عملکرد و قابلیت اطمینان آن شاخص ها انجام داده اند یا خیر. به هر موسسه 1 اجازه داده شد با حداکثر پنج شاخص پاسخ دهد و از همان مجموعه سؤالات برای هر شاخص پرسیده شد. ما سپس نتایج را جمع آوری کردیم ، در صورت وجود نکاتی برای روشن شدن ، سؤالات مستقیم را دنبال کردیم و نتایج را در گزارشی ارائه دادیم که به عنوان یک مقاله بحث منتشر شود. جدول 1 لیست شاخص های نقطه عطف در زمان واقعی را که از پاسخ به نظرسنجی جمع آوری کرده ایم ، نشان می دهد.

جدول 1: نتایج بررسی: نشانگرهای نقطه عطف

منبع: مرکز تعالی آمار اقتصادی (ESCOE) ، بررسی بین المللی شاخص های نقطه عطف در زمان واقعی

این جدول جدول 1: نتایج نظرسنجی: نشانگرهای نقطه عطف را بارگیری کنید

شکل 4 نشان می دهد که نظرسنجی ها محبوب ترین منبع داده برای شاخص های پیشرو هستند. به عنوان مثال ، نظرسنجی هایی که از مدیران مشاغل در مورد کتاب سفارش خود و برنامه های تولید خود سؤال می کنند ، شاخص های پیشرو بسیار مفیدی را نشان داده اند. به نظر می رسد استفاده از پایگاه داده های جدید ، داده های بزرگ و یادگیری ماشین ، علی رغم تبلیغات و چشم اندازهای امیدوارکننده ، هنوز گسترده نیست. ممکن است به این دلیل باشد که چنین روشهایی هنوز در مرحله توسعه قرار دارند و هنوز به مقیاس بزرگ تولیدی نرسیده اند که در نهایت انتظار می رود. شواهد این امر این است که شاخص های ایجاد شده توسط دفتر آمار ملی (ONS) با استفاده از داده ها و روش های نوآورانه هنوز "آزمایش" و "خروجی تحقیق" در نظر گرفته می شوند ، و احتمالاً هنوز مدتی قبل از ادغام چنین شاخص ها در استاندارد خواهد بودمجموعه خروجی های ONS.

شکل 5 نشان می دهد که شاخص های کامپوزیت محبوب ترین نوع شاخص های نقطه عطف هستند که به استفاده از اطلاعات از منابع مختلف داده برای استخراج روند مشترک و کاهش نوسانات داده های اساسی امکان می دهد. در حالی که ONS شاخص های انتشار (نوعی از شاخص کامپوزیت) را تولید کرده است ، به عنوان مثال داده های ارزش افزوده (مالیات بر ارزش افزوده) داده های بازپرداخت را باز می گرداند ، اما یک شاخص خلاصه مانند آن ساخته شده توسط هیئت کنفرانس در ایالات متحده تولید نکرده است ، و این یکی استحوزه ONS احتمالاً می تواند توسعه یابد تا نشان دهد چگونه می توان از سری نوآورانه آن در عمل استفاده کرد. با این حال ، یک نکته منفی از شاخص های خلاصه این است که آنها تمایل به نادیده گرفتن پراکندگی شاخص ها دارند و روش وزن مناسب برای ترکیب شاخص ها ممکن است زمان یا شوک اقتصادی متفاوت باشد. در واقع ، سلف ONS ، دفتر آماری مرکزی (CSO) ، برای انتشار مجموعه ای از شاخص های چرخه ای ، از جمله شاخص های پیشرو ، استفاده می شود ، اما همانطور که در بخش 4 توضیح داده شده است.