Search results

This paper compares different ways to estimate the current state of the economy using factor models that can handle unbalanced datasets. Due to the different release lags of business cycle indicators, data unbalancedness often emerges at the end of multivariate samples, which is sometimes referred to as the 'ragged edge' of the data. Using a large monthly dataset of the German economy, we compare the performance of different factor models in the presence of the ragged edge: static and dynamic principal components based on realigned data, the Expectation-Maximisation (EM) algorithm and the Kalman smoother in a state-space model context. The monthly factors are used to estimate current quarter GDP, called the 'nowcast', using different versions of what we call factor-based mixed-data sampling (Factor-MIDAS) approaches. We compare all possible combinations of factor estimation methods and Factor-MIDAS projections with respect to nowcast performance. Additionally, we compare the performance of the nowcast factor models with the performance of quarterly factor models based on time-aggregated and thus balanced data, which neglect the most timely observations of business cycle indicators at the end of the sample. Our empirical findings show that the factor estimation methods don't differ much with respect to nowcasting accuracy. Concerning the projections, the most parsimonious MIDAS projection performs best overall. Finally, quarterly models are in general outperformed by the nowcast factor models that can exploit ragged-edge data.

"Die regionalen Disparitäten beim Pro-Kopf-Bruttoinlandsprodukt (BIP) und bei der Arbeitskraftausnutzung haben sich in Slowenien seit 1999 verstärkt. Allerdings haben die regionalen Unterschiede beim verfügbaren Pro-Kopf-Haushaltseinkommen aufgrund von höheren Sozialtransfers in die ärmsten Regionen, interregionalem Berufspendlerverkehr und anderen Faktoren abgenommen. Eine ökonometrische Analyse zeigt, dass zwischen den Regionen heterogene Dauerzustände vorliegen und dass das regionale Wachstum beim Pro-Kopf-BIP und die Arbeitsproduktivität zu diesen regionsspezifischen Dauerzuständen konvergieren. Bei Verwendung eines Zeitreihenansatzes für die Konvergenz bestätigt sich eine stochastische Trendkonvergenz hinsichtlich beider Indikatoren für mehrere Regionen. Das Wachstum der Arbeitsproduktivität wurde durch eine Kapitalvertiefung und die wachsende Bedeutung einer Verbesserung der Gesamtfaktorproduktivität begünstigt." (Autorenreferat, IAB-Doku)

Die Konjunktur in Deutschland bricht als Folge der Corona-Pandemie drastisch ein. Um die Infektionswelle abzubremsen, hat der Staat die wirtschaftliche Aktivität in Deutschland stark eingeschränkt. Deshalb dürfte das Bruttoinlandsprodukt in diesem Jahr um 4,2% schrumpfen. Die Rezession hinterlässt deutliche Spuren auf dem Arbeitsmarkt und im Staatshaushalt. In der Spitze wird die Arbeitslosenquote auf 5,9% und die Zahl der Kurzarbeiter auf 2,4 Millionen hochschnellen. Nach dem Shutdown wird sich die Konjunktur schrittweise erholen. Entsprechend fällt der Anstieg des Bruttoinlandsprodukts im kommenden Jahr mit 5,8% kräftig aus.

Die Integration von Humankapital in die traditionelle Wachstums-Regressionsanalyse hat zu widersprüchlichen Ergebnissen geführt. Als Reaktion hierauf wurden u.a. Bemühungen zur Verfeinerung der Messverfahren für Humankapital und zur besseren Berücksichtigung der Qualität von Schulbildung unternommen. Die Verfasser setzen sich hier mit der ökonometrischen Seite der Berechnung des Einflusses des Humankapitals auf das Bruttoinlandsprodukt pro Kopf auseinander, wobei es vor allem um Zeitreihen für Humankapital geht. Üblicherweise werden eine lineare Beziehung zwischen der abhängigen Variable und den unabhängigen Variablen sowie eine unabhängige und identische Verteilung der Restwerte unterstellt. Beides stimmt für eine Zeitreihe, die den Anteil der Schüler an weiterführenden Schulen an der gleichaltrigen Bevölkerung in Italien zwischen 1881 und 1991 beschreibt, nicht. Der Beitrag des Humankapitals zum Bruttoinlandsprodukt kann daher nicht mit ökonometrischen Standardverfahren bestimmt werden. Eine Alternative stellt die Verwendung einer parametrischen Methode dar, bei der Beobachtungen entsprechend einer bestimmten Funktion gewichtet werden. Hiermit lassen sich gute Ergebnisse erzielen. Es ergibt sich eine nicht-lineare Beziehung zwischen Wirtschaftswachstum und Humankapital, die zeigt, dass Humankapital seit 1965 eine Bedeutung für das Bruttoinlandsprodukt Italiens hat, also seit dem Jahr, in dem die Reform des weiterführenden Schulwesens von 1962 Früchte zu tragen begann. Weitet man diese Untersuchung auch auf die traditionellen Produktionsfaktoren Arbeit und Kapital aus, so zeigt sich für den Faktor Arbeit ein ähnlicher Effekt wie für Humankapital, während die Zeitreihen für den Faktor Kapital die in der Standardproduktionsfunktion üblicherweise angenommene lineare Beziehung aufweisen. (ICEÜbers)

AbstractWorker remittances constitute an increasingly important channel for the transfer of resources to developing countries. Behind foreign direct investment, remittances are the second‐largest source of external funding for developing countries. Yet, literature on worker remittances has traditionally focused on the impact of remittances on income distribution within countries, on the determinants of remittances at a micro‐level, or on the effects of migration and remittances for specific countries or regions. Macroeconomic determinants and effects of remittances have received more attention only recently. Hence, the focus of this paper is on the macroeconomic determinants of remittances and on differences in these determinants between remittances and other capital flows. We find that remittances respond more to demographic variables while private capital flows respond more to macroeconomic conditions.