sseuВестник Самарского государственного экономического университетаVestnik of Samara State University of Economics1993-0453Самарский государственный экономический университетsseu-274Research ArticleРЕГИОНАЛЬНАЯ И ОТРАСЛЕВАЯ ЭКОНОМИКАREGIONAL AND SECTORAL ECONOMYОсобенности прогнозирования макроэкономических показателей на основе применения модели mean-adjusted BVARFeatures of forecasting macroeconomic indicators based on the use of the mean-adjusted BVAR modelЕреминаИ. А.EreminaI. A.

Ирина Александровна Еремина – доктор экономических наук, доцент, профессор Высшей инженерно-экономической школы

Санкт-Петербург

Irina A. Eremina – Doctor of Economics, Associate Professor, Professor of the Higher School of Engineering and Economics

St. Petersburg 

dokukina.orags@mail.ruВалласкВ. В.VallaskV. V.

Владимир Владимирович Валласк – аспирант Высшей инженерно-экономической школы

Санкт-Петербург

Vladimir V. Vallask – postgraduate student of the Higher School of Engineering and Economics

St. Petersburg

irenalks@mail.ruСанкт-Петербургский политехнический университет Петра ВеликогоРоссияPeter the Great St. Petersburg Polytechnic UniversityRussian Federation2024071220250112234Copyright © Еремина И.А., Валласк В.В., 20252025Еремина И.А., Валласк В.В.Eremina I.A., Vallask V.V.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.sseu.ru/jour/article/view/274

В статье исследуются особенности прогнозирования макроэкономических показателей с использованием модели mean-adjusted BVAR. Модель BVAR широко применяется для анализа экономических временных рядов, однако ее прогностическая способность может быть улучшена путем включения корректировки на среднее значение. Авторы проводят анализ эффективности прогнозирования на основе модели mean-adjusted BVAR на примере различных макроэкономических показателей. Исследование показало, что модель mean-adjusted BVAR эффективнее других моделей для прогнозирования инфляции, индекса промышленного производства и денежной массы. Особенно хорошо она справляется с долгосрочными прогнозами и превосходит традиционную BVAR-модель благодаря уточненной спецификации. Научная новизна проведенного исследования заключается в системном подборе оптимального гиперпараметра для априорного распределения Миннесоты и сравнении прогнозной силы mean-adjusted BVAR с конкурирующими моделями на российских данных. Результаты работы помогут улучшить качество экономических прогнозов и повысить эффективность принятия решений в условиях нестабильности экономической среды.

The article investigates specific features of forecasting macroeconomic indicators using the mean-adjusted BVAR model. The BVAR model is widely used for analyzing economic time series, but its predictive ability can be improved by including an adjustment for the average value. The authors analyze the effectiveness of forecasting based on the mean-adjusted BVAR model using the example of various macroeconomic indicators. The study showed that the mean-adjusted BVAR model is more effective than other models for forecasting inflation, industrial production index and money supply. It copes particularly well with long-term forecasts and surpasses the traditional BVAR model due to the updated specification. The scientific novelty of the study lies in the systematic selection of the optimal hyperparameter for the a priori distribution of Minnesota and the comparison of the predictive power of mean-adjusted BVAR with competing models based on Russian data. The results of the work will help to improve the quality of economic forecasts and improve the efficiency of decision-making in an unstable economic environment.

mean-adjusted BVARмакроэкономические показателиданныемоделированиепрогнозаприорное распределение Миннесотыmean-adjusted BVARmacroeconomic indicatorsdatamodelingforecastMinnesota prior distributionReferencesJiang J.J., Zhong M., Klein G. Marketing category forecasting: an alternative of BVAR-artificial neural networks // Decision Sciences. 2000. Vol. 31, No. 4. Pp. 789–812.Jiang J.J., Zhong M., Klein G. Marketing category forecasting: an alternative of BVAR-artificial neural networks // Decision Sciences. 2000. Vol. 31, No. 4. Pp. 789–812.Raynauld J., Simonato J.-G. Seasonal BVAR models: a search along some time domain priors // Journal of Econometrics. 1993. Vol. 55. Pp. 203–229.Raynauld J., Simonato J.-G. Seasonal BVAR models: a search along some time domain priors // Journal of Econometrics. 1993. Vol. 55. Pp. 203–229.Демешев Б.Б., Малаховская О.А. Макроэкономическое прогнозирование с помощью BVAR Литтермана // Экономический журнал Высшей школы экономики. 2016. Т. 20, № 4. С. 691–710.Demeshev B.B., Malakhovskaya O.A. Macroeconomic forecasting using Litterman's BVAR // Economic Journal of the Higher School of Economics. 2016. Vol. 20, No. 4. Pp. 691–710.Демешев Б.Б., Малаховская О.А. Картографирование BVAR // Прикладная эконометрика. 2016. № 3 (43). С. 118–141.Demeshev B.B., Malakhovskaya O.A. B. BVAR Mapping // Applied Econometrics. 2016. No. 3 (43). Pp. 118–141.Шевелев А.А., Шевелева О.А. Метод BVAR: анализ динамики макроэкономических переменных России // Исследования молодых ученых: экономическая теория, социология, отраслевая и региональная экономика : сб. ст. Новосибирск, 10–13 окт. 2016 г. / под ред. О.В. Тарасовой, А.А. Горюшкина. Новосибирск : Институт экономики и организации промышленного производства СО РАН, 2016. С. 96–101.Shevelev A.A., Sheveleva O.A. BVAR method: analysis of the dynamics of macroeconomic variables in Russia // Research of Young scientists: economic theory, sociology, sectoral and regional economics : collection of articles. Novosibirsk, Oct. 10–13, 2016 / ed. by O.V. Tarasova, A.A. Goryushkin. Novosibirsk : Institute of Economics and Industrial Production Organization of the Siberian Branch of the Russian Academy of Sciences, 2016. Pp. 96–101.Коротких О. Межстрановая BVAR-модель внешнего сектора // Деньги и кредит. 2020. Т. 79, № 4. С. 98–112. doi:10.31477/rjmf.202004.98.Korotkikh O. Cross-country BVAR model of the external sector // Money and Credit. 2020. Vol. 79, No. 4. Pp. 98–112. doi:10.31477/rjmf.202004.98.Sims C. Macroeconomics and reality // Econometrica. 1980. Vol. 48, No. 1. Рp. 1–48.Sims C. Macroeconomics and reality // Econometrica. 1980. Vol. 48, No. 1. Рp. 1–48.Doan T., Litterman R., Sims C. Forecasting and conditional projection using realistic prior distributions // Econometric reviews. 1984. Vol. 3, No. 1. Рp. 1–100.Doan T., Litterman R., Sims C. Forecasting and conditional projection using realistic prior distributions // Econometric reviews. 1984. Vol. 3, No. 1. Рp. 1–100.Kadiyala K.R., Karlsson S. Numerical methods for estimation and inference in Bayesian VAR-models // Journal of applied econometrics. 1997. Vol. 12, No. 2. Рp. 99–132.Kadiyala K.R., Karlsson S. Numerical methods for estimation and inference in Bayesian VAR-models // Journal of applied econometrics. 1997. Vol. 12, No. 2. Рp. 99–132.Karlsson S. Forecasting with Bayesian vector autoregressions // Handbook of economic forecasting. 2013. Vol. 2. Рp. 791–897.Karlsson S. Forecasting with Bayesian vector autoregressions // Handbook of economic forecasting. 2013. Vol. 2. Рp. 791–897.Koop G. Forecasting with medium and large Bayesian VARS // Journal of applied econometrics. 2013. Vol. 28, No. 2. Рp. 177–203.Koop G. Forecasting with medium and large Bayesian VARS // Journal of applied econometrics. 2013. Vol. 28, No. 2. Рp. 177–203.Carriero A., Clark T., Marcellino M. Bayesian VARs: specification choices and forecast accuracy // Journal of applied econometrics. 2015. Vol. 30, No. 1. Рp. 46–73.Carriero A., Clark T., Marcellino M. Bayesian VARs: specification choices and forecast accuracy // Journal of applied econometrics. 2015. Vol. 30, No. 1. Рp. 46–73.Carriero A., Kapetanios G., Marcellino M. Forecasting government bond yields with large Bayesian vector autoregressions // Journal of banking & finance. 2012. No. 36 (7). Рp. 2026–2047.Carriero A., Kapetanios G., Marcellino M. Forecasting government bond yields with large Bayesian vector autoregressions // Journal of banking & finance. 2012. No. 36 (7). Рp. 2026–2047.Рудаковский Я. Сравнение точности прогнозов между BVARи VAR-моделями по ключевым макроэкономическим показателям Беларуси // Банковский вестник. 2023. № 5 (718). С. 52–63.Rudakovsky Ya. Comparison of forecasting accuracy between BVAR and VAR models for key macroeconomic indicators of Belarus // Banking Bulletin. 2023. No. 5 (718). Рp. 52–63.Rudakouski Ya. Comparing forecasting accuracy between BVAR and VAR models for the Russian Economy // Higher school of economics economic journal. 2023. Vol. 27, No. 4. Pp. 506–526. doi:10.17323/1813-8691-2023-27-4-506-526.Rudakouski Ya. Comparing forecasting accuracy between BVAR and VAR models for the Russian Economy // Higher school of economics economic journal. 2023. Vol. 27, No. 4. Pp. 506–526. doi:10.17323/1813-8691-2023-27-4-506-526.Konebayev E. Forecasting a commodity-exporting small open developing economy using DSGE and DSGE-BVAR // International economic journal. 2023. Vol. 37, No. 1. Pp. 39–70. doi:10.1080/10168737.2023.2170443.Konebayev E. Forecasting a commodity-exporting small open developing economy using DSGE and DSGE-BVAR // International economic journal. 2023. Vol. 37, No. 1. Pp. 39–70. doi:10.1080/10168737.2023.2170443.Chun H. Effects of Consumer sentiment, interest rate, and transaction volume on housing price using the BVAR // The Journal of humanities and social sciences. 2023. Vol. 14, No. 2. Pp. 377–390. doi:10.22143/hss21.14.2.27.Chun H. Effects of Consumer sentiment, interest rate, and transaction volume on housing price using the BVAR // The Journal of humanities and social sciences. 2023. Vol. 14, No. 2. Pp. 377–390. doi:10.22143/hss21.14.2.27.Ломоносов Д.А., Полбин А.В., Фокин Н.Д. Шоки спроса, предложения, ДКП и цен на нефть в российской экономике (анализ на основе модели BVAR со знаковыми ограничениями) // Вопросы экономики. 2020. № 10. С. 83–104. doi:10.32609/0042-8736-2020-10-83-104.Lomonosov D.A., Polbin A.V., Fokin N.D. Shocks of demand, supply, monetary policy and oil prices in the Russian economy (analysis based on the BVAR model with signed restrictions) // Economic issues. 2020. No. 10. Pp. 83–104. doi:10.32609/0042-8736-2020-10-83-104.Шевелев А.А. Байесовский подход к оценке воздействия внешних шоков на макроэкономические показатели России // Мир экономики и управления. 2017. Т. 17, № 1. С. 26–40.Shevelev A.A. Bayesian approach to assessing the impact of external shocks on Russia's macroeconomic indicators // World of economics and management. 2017. Vol. 17, No. 1. Pp. 26–40.Шевелева О.А., Шевелев А.А. Байесовский подход к оценке воздействия внутренних и внешних шоков на макроэкономические показатели России // Исследования молодых ученых: экономическая теория, социология, отраслевая и региональная экономика : сб. ст. / под ред. О.В. Тарасовой, А.А. Горюшкина. Новосибирск : Институт экономики и организации промышленного производства СО РАН, 2017. С. 302–311.Sheveleva O.A., Shevelev A.A. Bayesian approach to assessing the impact of internal and external shocks on Russia's macroeconomic indicators // Research of young scientists: economic theory, sociology, sectoral and regional economics : collection of articles / ed. by O.V. Tarasova, A.A. Goryushkin. Novosibirsk : Institute of Economics and Industrial Production Organization of the Siberian Branch of the Russian Academy of Sciences, 2017. Pp. 302–311.Шарафутдинов А. Прогнозирование российских ВВП, инфляции, ставки процента и обменного курса с помощью модели DSGE-VAR // Деньги и кредит. 2023. Т. 82, № 3. С. 62–86.Sharafutdinov A. Forecasting Russian GDP, inflation, interest rate and exchange rate using the DSGEVAR model // Money and credit. 2023. Vol. 82, No. 3. Pp. 62–86.Малкина М.Ю., Овчаров А.О. Оценка финансовой нестабильности экономических систем: разнообразие методов и моделей // Экономический анализ: теория и практика. 2019. Т. 18, № 7 (490). С. 1273–1294. doi:10.24891/ea.18.7.1273.Malkina M.Yu., Ovcharov A.O. Assessing the financial instability of economic systems: a variety of methods and models // Economic analysis: theory and practice. 2019. Vol. 18, No. 7 (490). Pp. 1273–1294. doi:10.24891/ea.18.7.1273.

The authors declare that there are no conflicts of interest present.