Articles

OPERATIONAL FORECAST OF GDP OF BRICS COUNTRIES USING PMIDAS METHOD

Received: 15.01.2026 Published: 15.01.2026

Full text

Abstract

The article presents methodology for making operational forecast of GDP of BRICS countries (Brazil, Russia, India, China and South Africa) based on the panel MIDAS method with lagged general correlating effects (LCCE). Balanced panel of data for 2013-2025 served as an empirical basis of the study. To solve the problem of asynchronous receipt of macroeconomic statistics, release pseudo-calendar was developed taking institutional features and hierarchy of publications of national statistical services into account. Comparative analysis of forecast accuracy (MAFE and RMSFE metrics) with basic AR(1) models and connective equations confirmed the effectiveness of PMIDAS approach with the account of heterogeneity. The empirical results indicate general reduction in forecasting errors. However, the revealed heterogeneity of estimates for individual countries indicates the necessity to take structural heterogeneity of the BRICS economies into account when specifying the model.

Keywords

How to cite

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.

How to Cite

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

References

  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.