G7 Ülkeleri İşsizlik Oranı Tahminleri: SARIMA-GARCH Model Karşılaştırması

G7 Countries Unemployment Rate Predictions Using Seasonal Arima Garch Coupled Models

Abstract

İşsizlik verilerinin yakın zamanda mevsimsellikten arındırılmış olarak yayınlanmış olmasına rağmen, mevsimsellik hareketli ortalama (MA) veya oto-regresif (AR) terimlerde hala var olabilir. Bu, oto-korelasyon fonksiyonu (ACF) ve kısmi ACF (PACF) diyagramlarında düzenli bir model arayarak tespit edilebilir. Bu nedenle, işsizlik oranlarını tahmin etmeyi amaçlayan modeller, daha iyi ortalama denklem tahminleri elde etmek için mevsimsellik özelliklerini dikkate almalıdır. Tek değişkenli modeller çoğunlukla entegre ARMA (ARIMA) veya genelleştirilmiş oto-regresif heteroskedastik (GARCH) modelleri veya bunların herhangi bir kombinasyonunu kullanır. Ortalama denklemler daha iyi yapılandırıldıktan sonra, GARCH varyans denklemi tahminlerinin tahminlerde daha doğru sonuçlar vermesi beklenir. Bu çalışmada ilk olarak, 1995-2019 dönemi için G-7 ülkelerindeki mevsimsellikten arındırılmış işsizlik oranı verilerinin ACF'leri ve PACF'leri incelenmektedir. Daha sonra, GARCH'ın mevsimsel ARIMA (SARIMA) bağlı oynaklık modellerinin ortalama, mutlak değer GARCH, GJR-GARCH, üstel GARCH ve asimetrik GARCH modellerinin 4 çeyrek ve 8 çeyrek ileriye dönük tahmin performansını karşılaştırır. Bu modellerin performansı da SARIMA ve MA filtreli volatilite modelleriyle karşılaştırılmıştır. Sonuçlar, mevsimselliğin mevsimsellikten arındırılmış işsizlik verilerinde bile yeniden incelenmesi gerektiğini göstermektedir, çünkü SARIMA modelleri örneklem dışı tahmin hataları açısından ARIMA modellerinden daha iyi performans göstermektedir. SARIMA-GARCH modellerinin yanı sıra daha iyi örneklem dışı tahmin doğruluğu sağlar.

Özet

Despite the unemployment data have been recently released as seasonally adjusted, seasonality may still exist in moving average (MA) or auto-regressive (AR) terms. This can be detected by searching for a regular pattern in auto-correlation function (ACF) and partial ACF (PACF) diagrams. Therefore, models that aim to forecast unemployment rates should consider their seasonal properties so as to obtain better mean equation estimations. Univariate models mostly employ integrated ARMA (ARIMA) or generalized auto regressive conditional heteroscedastic (GARCH) models or any combination of them. Once the mean equations are structured better, GARCH estimations of variance equation is expected to perform better accuracy in forecasts. This study first examines the ACF's and PACF's of seasonally adjusted unemployment rate data in G-7 countries for 1995-2019 period. Then it compares the 4-quarter and 8-quarter ahead forecast performance of the seasonal ARIMA (SARIMA) coupled volatility models of GARCH in mean, absolute value GARCH, GJR-GARCH, exponential GARCH and asymmetric GARCH models. The performance of these models is also compared to SARIMA and MA filtered volatility models. The results show that seasonality should be re-examined even in seasonally adjusted unemployment data, since SARIMA models outperform ARIMA models in terms of out of sample forecast errors. Besides SARIMA-GARCH models provide better out of sample prediction accuracy.