2012-02-13

Working Paper no. 126

Forecasting Inflation Using Constant Gain Least Squares

I denna studie jämförs prognosförmågan hos univariata autoregressiva modeller skattade med två olika metoder: ordinary least squares (OLS) och constant gain least squares (CGLS).

Vi har utvärderat modellprognoser för inflationen i Australien, Sverige, Storbritannien och USA. Resultaten visar att CGLS kan förbättra prognoser jämfört med OLS. När ett gain på 0,05 används är CGLS generellt bättre än OLS. Pålitliga förbättringar i prognosprecision erhålls på längre prognoshorisonter; CGLS ger på dessa ett lägre rotmedelkvadratfel än OLS för alla fyra länder och för alla lagstrukturer beaktade i denna studie.

In English

This paper assesses the usefulness of constant gain least squares when forecasting inflation. An out-of-sample forecast exercise is conducted, in which univariate autoregressive models for inflation in Australia, Sweden, the United Kingdom and the United States are used. The results suggest that it is possible to improve the forecast accuracy by employing constant gain least squares instead of ordinary least squares. In particular, when using a gain of 0.05, constant gain least squares generally outperforms the corresponding autoregressive model estimated with ordinary least squares. In fact, at longer forecast horizons, the root mean square forecast error is reliably lowered for all four countries and for all lag lengths considered in the study.

Subscribe to our newsletters

Email

Newsletters:
Current reports on the economy
Working Papers