2013-09-10

Working Paper No. 129

On the Usefulness of Constant Gain Least Squares when Forecasting the Unemployment Rate

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 utvärderar modellprognoser för arbetslöshetsgraden i Australien, Storbritannien, Sverige och USA.

Resultaten visar att CGLS väldigt sällan genererar bättre prognoser än OLS. På prognoshorisonter från sex till åtta kvartal förknippas OLS alltid med en högre prognosprecision än CGLS oavsett modellens storlek eller vilket gain som används för Australien, Sverige och USA.

Resultaten antyder att trots att CGLS har visat sig värdefullt när det gäller att prognostisera vissa makroekonomiska tidsserier så förefaller det finnas problem när arbetslöshetsgraden skall prognostiseras.

Ett av dessa problem är en ökad tendens för den autoregressiva modellen att ha explosiv dynamik när den skattas med CGLS.

In English

In this paper, we assess the usefulness of constant gain least squares (CGLS) when forecasting the unemployment rate.

Using quarterly data from 1970 to 2009, we conduct an out-of-sample forecast exercise in which univariate autoregressive models for the unemployment rate in Australia, Sweden, the United Kingdom and the United States are employed. Results show that CGLS very rarely outperforms OLS.

At horizons of six to eight quarters, OLS is always associated with higher forecast precision, regardless of model size or gain employed for Australia, Sweden and the United States.

Our findings suggest that while CGLS has been shown valuable when forecasting certain macroeconomic time series, it has shortcomings when forecasting the unemployment rate. One problematic feature is found to be an increased tendency for the autoregressive model to have explosive dynamics when estimated with CGLS.

Subscribe to our newsletters

Email

Newsletters:
Current reports on the economy
Working Papers