Nowcasting Austrian GDP and evaluating different methods to fill in missing data

Abstract

In dieser Arbeit wird die Leistung eines dynamischen Faktormodells beim Nowcasting desösterreichischen BIP auf monatlicher Basis evaluiert, wobei nuröffentlich verfügbare Daten verwendet werden. Das Problem der fehlenden Daten am Ende des Datensatzes wird mit drei verschiedenen Methoden gelöst. Zwei davon sind die bekannten kleinsten Quadrate Methode und der Erwartungs maximierungs (EM)-Algorithmus. Die dritte Methode, die in dieser Arbeit im Detail untersucht wird, ist der modifizierte EM-Algorithmus, wie er von Ban ́bura und Modugno (2014) unter Verwendung des Zustandsraumes entwickelt wurde. Diese drei Methoden generieren drei Datensätze, die dann verwendet werden, um drei Versionen des Austrian Monthley Economic Index (AU-MEI) zu erstellen. Der AU-MEI ist eine Adaption des wÖchentlichen Wirtschaftsindex von Lewis et al. (2020) für die USA. Die Leistung der drei Versionen des AU-MEI und eines ARIMA(0,1,0)-Modells für dasösterreichische BIP werden mit verschiedenen Echtzeit-Datensätzen bewertet.

This thesis evaluates the performance of a dynamic factor model in nowcasting the Austrian GDP on a monthly basis, using only publicly available data. The problem of missing data at the end of the data set is solved with three different methods. Two of them are the well-known least squares method and the expectation maximization (EM) algorithm. The third method, which is studied in detail in this thesis, is the modified EM algorithm as developed by Ban ́bura and Modugno (2014) using the state-space framework. These three methods generate three data sets, which are then used to create three versions of the Austrian Monthley Economic Index (AU-MEI). The AU-MEI is an adoption of Lewis et al. (2020) weekly economic index for the US. The performance of the three versions of the AU-MEI and an ARIMA(0,1,0) model for the Austrian GDP are evaluated with different real-time data sets.