저자 : 장유순(Indiana University), 김용건(한국은행), 곽보름(한국은행), 박준용(Indiana University)

<요약>

본 연구에서 우리는 한국의 GDP 성장률에 대한 분포전망(density forecast)을 이용하여 점예측치(point forecast)의 전망오차를 줄일 수 있는지를 함수적 회귀모형(functional regression)을 이용하여 실증적으로 분석하였다. 우리는 2013.3/4-2022.1/4분기 기간의 실제 GDP 성장률을 설명변수로 한 회귀모형에서 한국은행의 분기별 성장률 점예측치(공식전망치)외에 분포전망을 함수적 독립변수로 추가했을 때 점예측치의 예측력이 유의미하게 증가하는지를 주로 살펴보았는데, 분포전망을 추가할 경우 대체로 점예측치의 예측력을 증가시키는 것으로 나타났다. 하지만 예측력의 개선 정도는 함수로 주어지는 분포전망 정보를 어떻게 효율적으로 이용하는지에 따라 많이 달라짐을 알 수 있었다. 특히 분포전망의 정보 중 평균값 정보를 담고 있는 평균팩터를 이용하고 분포전망의 정보를 점예측치의 보정용으로 사용하는 것이 좋은 결과를 주었는데. 이 경우 점예측치의 전망오차(평균 제곱 오차 기준)를 약 33%까지 줄일 수 있는 것을 보일 수 있었다.

In this paper, we study how we may use density forecasts to improve point forecasts for the Korean GDP growth rates during the period from 2013:Q3 to 2022:Q1. Although the time span under investigation is much shorter than desired, our conclusions are clear. Density forecasts improve point forecasts, as long as they are effectively approximated and represented as finite dimensional vectors by appropriately chosen functional bases. However, they may only be used to adjust point forecasts. Combining them with point forecasts to define weighted mean forecasts does not yield any meaningful improvement. The functional bases we use for our baseline approach are the leading functional principal components, which by construction most efficiently extract the variations in density forecasts over time. To disentangle the effects of the mean and other aspects of density forecasts, however, we also use the functional basis, which designates, as the leading factor, the mean factor that captures the temporal changes in the mean of density forecasts. Especially with the use of this functional basis, we see a drastic increase in the precision of point forecasts for the Korean GDP growth rates. In fact, the mean squared error of point forecasts decreases by more than 33%, if they are adjusted by density forecasts with our functional basis including the mean factor.