代做EC306 Econometrics II: Time Series 2024 Vacation Assignment代做留学生SQL语言程序

日期：2024-04-05 04:41

EC306 Econometrics II: Time Series

2024 Vacation Assignment

Data:  The data ile contains U.K. observations on the variables below.  The irst observation is Jan 1955 in both

Table 1: Data set

Quarterly                                        Monthlz

Nominal GDP sa                    CPI All Items: Annual Rate

Unit Labour Cost Index sa                Unemployment rate sa

Unemployment rate sa                 Average weekly earnings sa

GDP Delator sa                          Index of Production cvmsa

quarterly and monthly data sets.

1.  This is a question about forecasting GDP:

(a)  Estimate a set of four arima models for Real GDP 1960q1-2000q4.  Include at least one model which assumes GDP is a trend stationary process,  and three plausible arima(p,d,q) models,  including examples with the restrictions: i) q=0 and ii) p=0.  (10 marks)

(b)  Basing your discussion on the in-sample properties of your model, why did you select the models you chose in each class, and which of your four models appears to be the best?  (5 marks)

(c)  Using the estimates from part (a), evaluate the out of sample forecasting performance of each model on the sample 2000q1-2006q4, at horizons of one and four quarters.  Comment on which is your best model at each horizon and how these results compare to those in (b) above.  (15 marks)

(d)  Re-estimate your preferred model from part (c) on the period 1960q1-2006q4.  Forecast out of sample at horizons of one and four quarters for the period 2007q1 to 2013q4.  Comment on the quality of the forecast compared to your expectations.(10 marks)

(e)  How do you think the performance of your trend stationary model in part (a) would compare to the performance of your preferred model on the 2007-2013 sample?  Give a brief explanation, or explain why the trend stationary model is your favourite. You do not have to produce forecast results.  (10 marks)

2.  This question is forecasting in a multivariate context:

(a)  Estimate a VAR using additional data of your choice on the  1960q1-2006q4 sample.  Compare the 1 and 4-step ahead out of sample forecast performance of your VAR on the 2007-2013 sample with your preferred forecast from question 1. Provide some intuition for your results.  (10 marks)

(b)  Consider the task of updating quarterly GDP forecasts as new information becomes available within the quarter. Demonstrate a method capable of doing this and present results of the exercise graphi- cally for next quarter GDP using a model estimated to 2006q4, and forecasting 2007q1-2013q4.  (15 marks)

3.  Consider a model of price inlation, wage inlation and unemployment, on the longest sample for which all are available in the data set.

(a)  Estimate a model to account for the interactions between these variables, accounting for the time- series properties of the data on this sample.  Discuss briely any economic interpretation/indings or intuition you ind from your estimated model.  (15 marks)

(b)  Comment on the role of unemployment in your model, and any economic implications of this.  (10 marks)

Generic guidance  and notes for non  economists:

.  The inlation measure provided is the year-on-year monthly change in the Consumer Price Index (CPI).

.  sa stands for Seasonally Adjusted and cvmsa is a chained volume measure seasonally adjusted

.  You should inspect data by plotting it; it is expected that you make basic transformations to ensure you work with variables suitable for linear models

.  Graphs  can  be  included  in  an  answer e.g.   if  inspection of the graph  helps you decide how to make modelling decisions. Unless otherwise stated in the question, graphical analysis alone is not su伍cient.

.  When you report results of a statistical test, state the test regression, the parameter(s) of interest, the null hypothesis, the test statistic, the value of the test statistic you ind, the critical value and the decision you make. Bullet points are ine for such discussion

.  Try to summarize the important parts of the regression output in a table, rather than screen-grabbing whole chunks from the raw  stata output;  this makes you think about the output and demonstrates understanding of what is important.