Meeting our D€STINY : a disaggregated €uro area short term indicator model to forecast GDP (Y) growth

En este trabajo se propone un nuevo modelo de predicción en tiempo real del crecimiento de PIB de la zona euro, llamado D€STINY, con el que se pretende complementar la literatura de modelos de previsión de corto plazo, rellenando el hueco existente entre los modelos dinámicos factoriales de pequeña escala y los de dimensión grande. El modelo D€STINY adopta un enfoque de modelización desagregada, utilizando toda la información disponible para la zona del euro y los países que la forman (alrededor de 100 indicadores económicos), pero sin incurrir en los sesgos econométricos característicos de los modelos de gran dimensión, ya que todos los modelos son estimados con métodos de pequeña escala. Una aplicación empírica para el período 2004-2013 en pseudo tiempo real muestra que la precisión de la predicción de D€STINY es claramente mejor que la de los modelos estándares alternativos y que la de las previsiones públicas de otras instituciones. Esto se da, sobre todo, para el período desde el comienzo de la crisis, lo que sugiere que el enfoque adoptado en este trabajo seria más robusto en períodos caracterizados por una elevada volatilidad y posibles cambios estructurales ; In this paper we propose a new real-time forecasting model for euro area GDP growth, D€STINY, which attempts to bridge the existing gap in the literature between large- and small-scale dynamic factor models. By adopting a disaggregated modelling approach, D€STINY uses most of the information available for the euro area and the member countries (around 100 economic indicators), but without incurring in the nite sample problems of the large-scale methods, since all the estimated models are of a small scale. An empirical pseudo-real time application for the period 2004-2013 shows that D€STINY´s forecasting performance is clearly better than the standard alternative models and than the publicly available forecasts of other institutions. This is especially true for the period since the beginning of the crisis, which suggests that our approach may be more robust to periods of highly volatile data and to the possible presence of structural breaks in the sample