Статьи

ПОСТРОЕНИЕ ОПЕРАТИВНОГО ПРОГНОЗА ВВП СТРАН БРИКС МЕТОДОМ PMIDAS

Дата поступления: 15.01.2026 Дата публикации: 15.01.2026

Полный текст:

Аннотация

В статье представлена методология построения оперативного прогноза ВВП для стран БРИКС (Бразилия, Россия, Индия, Китай и Южная Африка) на основе метода панельного MIDAS с лагированными общими коррелирующими эффектами (LCCE). Эмпирическую базу исследования составила сбалансированная панель данных за 2013-2025 гг. Для решения проблемы асинхронности поступления макроэкономической статистики разработан псевдокалендарь релизов, учитывающий институциональные особенности и иерархию публикаций национальных статистических служб. Сравнительный анализ точности прогнозов (метрики MAFE и RMSFE) с базовыми моделями AR (1) и связующими уравнениями подтвердил эффективность подхода PMIDAS с учётом гетерогенности. Эмпирические результаты указывают на общее снижение ошибок прогнозирования, однако выявленная неоднородность оценок для отдельных стран свидетельствует о необходимости учёта структурной гетерогенности экономик БРИКС при спецификации модели.

Ключевые слова

Как цитировать

Для цитирования:

Панкратова А.А. ПОСТРОЕНИЕ ОПЕРАТИВНОГО ПРОГНОЗА ВВП СТРАН БРИКС МЕТОДОМ PMIDAS // Экономическая среда. 2026. Т. 15, № 1. С. 62–79.

For citation:

Панкратова А.А. OPERATIONAL FORECAST OF GDP OF BRICS COUNTRIES USING PMIDAS METHOD // Economic Environment. 2026. Vol. 15, no. 1. P. 62–79.

Как цитировать

Панкратова А.А. ПОСТРОЕНИЕ ОПЕРАТИВНОГО ПРОГНОЗА ВВП СТРАН БРИКС МЕТОДОМ PMIDAS // Экономическая среда. 2026. Т. 15, № 1. С. 62–79.

Список литературы

  1. 1. Giannone D., Reichlin L., Small D. Nowcasting: The real-time informational content of macroeconomic data // Journal of Monetary Economics. – 2008. – Vol. 55, No. 4. – P. 665-676. – DOI 10.1016/j.jmoneco.2008.05.010.
  2. 2. Aastveit K. A., Gerdrup K. R., Jore A. S., Thorsrud L. A. Nowcasting GDP in real time: A density combination approach // Journal of Business & Economic Statistics. – 2014. – Vol. 32, No. 1. – P. 48-68.
  3. 3. Marcellino M., Porqueddu M., Venditti F. Short-term GDP forecasting with a mixed-frequency dynamic factor model with stochastic volatility // Journal of Business & Economic Statistics. – 2016. Vol. 34, No. 1. – P. 118-127. – DOI 34. 10.2139/ssrn.2221327.
  4. 4. Fosten J., Gutknecht D. Model Confidence Sets for Nowcast Procedures // SSRN Electronic Journal. – 2018. – DOI 10.2139/ssrn.3259218.
  5. 5. Ingenito R., Trehan B. Using monthly data to predict quarterly output // FRBSF Economic Review. – 1996. No. 3. – P. 3-11.
  6. 6. Schumacher C. A comparison of MIDAS and bridge equations // International Journal of Forecasting. – 2016. – Vol. 32, No. 2. – P. 257-270. – DOI 10.1016/j.ijforecast.2015.07.004.
  7. 7. Soybilgen B., Yazgan E. Nowcasting the new Turkish GDP // Economics Bulletin. – 2018. Vol. 38, No. 2. – P. 1083-1090.
  8. 8. Ghysels E., Santa-Clara P., Valkanov R. Predicting volatility: getting the most out of return data sampled at different frequencies // Journal of Econometrics. 2006. – Vol. 131, No. 1-2. – P. 59-95. – DOI 10.2139/ssrn.440941.
  9. 9. Ghysels E., Sinko A., Valkanov R. MIDAS regressions: Further results and new directions // Econometric Reviews. – 2007. – Vol. 26, No. 1. – P. 53-90. – DOI 10.2139/ssrn.885683.
  10. 10. Chernis T., Sekkel R. A dynamic factor model for nowcasting Canadian GDP growth // Empirical Economics. – 2017. – Vol. 53, No. 1. – P. 217-234. – DOI 10.1007/s00181-017-1254-1. – EDN FFPBNE.
  11. 11. Ferrara L., Marsilli C. Nowcasting global economic growth: A factor-augmented mixed-frequency approach // The World Economy. – 2019. – Vol. 42, No. 3. – P. 846-875. – DOI 10.1111/twec.12708.
  12. 12. Marcellino M., Schumacher C. Factor MIDAS for nowcasting and forecasting with ragged-edge data: A model comparison for German GDP // Oxford Bulletin of Economics and Statistics. – 2010. – Vol. 72, No. 4. – P. 518-550. – DOI 10.1111/j.1468-0084.2010.00591.x.
  13. 13. Tiffin A. Seeing in the dark: A machine-learning approach to nowcasting in Lebanon // IMF Working Paper. – 2016. – Vol. 16, No. 56. – P. 1. – DOI 10.5089/9781513568089.001.
  14. 14. Cepni O., Guney I. E., Swanson N. R. Forecasting and nowcasting emerging market GDP growth rates: The role of latent global economic policy uncertainty and macroeconomic data surprise factors // Journal of Forecasting. – 2019. – Vol. 39, No. 1. – P. 18-36. – DOI 10.1002/for.2602.
  15. 15. Chudik A., Pesaran H. Large panel data models with cross-sectional dependence: a survey // The Oxford Handbook of Panel Data, ed. Badi H. Baltagi. – New York : Oxford University Press), 2015. – P. 3-45.
  16. 16. Fosten J., Nandi S. Nowcasting from cross-sectionally dependent panels // Journal of Applied Econometrics. – 2023. – Vol. 38, No. 6. – P. 898-919. – DOI 10.1002/jae.2980. – EDN ZKXYHX.
  17. 17. Поршаков А. С., Пономаренко А. А., Синяков А. А. Оценка и прогнозирование ВВП России с помощью динамической факторной модели // Журнал Новой экономической ассоциации. – 2016. – № 2(30). – С. 60-76. – DOI 10.31737/2221-2264-2016-30-2-3. – EDN WFAYXZ.
  18. 18. Пономарев Ю., Плескачев Ю. Краткосрочное прогнозирование ВВП с помощью динамической факторной модели // Экономическое развитие России. – 2018. – Т. 25, № 1. – С. 15-19. – EDN YNJYDH.
  19. 19. Зубарев А. В., Рыбак К. С. Наукастинг ВВП: динамическая факторная модель и официальные прогнозы // Экономическое развитие России. – 2021. – Т. 28, № 12. – С. 34-40. – EDN REJZKL.
  20. 20. Лазарян С. С., Герман Н. Е. Прогнозирование текущей динамики ВВП на основе данных поисковых запросов // Научно-исследовательский финансовый институт. Финансовый журнал. – 2018. – № 6(46). – С. 83-94. – DOI 10.31107/2075-1990-2018-6-83-94. – EDN VWIFPB.
  21. 21. Микош Х., Соланко Л. Прогнозирование роста российского ВВП с использованием данных со смешанной периодичностью // Деньги и кредит. – 2019. – № 1. – С. 19-35. – DOI 10.31477/rjmf.201901.19. – EDN ZAYOHJ.
  22. 22. Станкевич И. П. Применение MIDAS-моделей с марковским переключением для наукастинга ВВП и его компонентов // Прикладная эконометрика. – 2023. – № 2(70). – С. 122-143. – DOI 10.22394/1993-7601-2023-70-122-143. – EDN QPLZPO.
  23. 23. Гареев М. Ю., Полбин А. В. Наукастинг: оценка изменения ключевых макроэкономических показателей с использованием методов машинного обучения // Вопросы экономики. – 2022. – № 8. – С. 133-157. – DOI 10.32609/0042-8736-2022-8-133-157. – EDN BBSCGE.
  24. 24. Макеева Н. М., Станкевич И. П., Любайкин Н. С. Наукастинг макроэкономических показателей экономики России в условиях неопределенности: помогает ли учет новостного фона? // Вопросы экономики. – 2024. – № 3. – С. 120-142. – DOI 10.32609/0042-8736-2024-3-120-142. – EDN DYQEJD.