Słowa wypowiedziane na konferencji prasowej po posiedzeniu Rady przez prezesa NBP Marka Belkę skierowały uwagę uczestników na trzy zmienne: produkcję, sprzedaż i indeks PMI. Marek Belka umyślnie pominął inflację, ponieważ ta znajduje się znacznie poniżej zera, jednak deflacja, z którą mamy do czynienia w Polsce ma charakter przejściowy. Naszym zdaniem podejmowanie decyzji w oparciu o trzy zmienne jest dość ryzykowne z uwagi na to, że przy słabszych odczytach może dojść do wzrostu presji na obniżki stóp, a w tym samym czasie może dojść do zakończenia wojny pomiędzy Ukrainą a Rosją, co na pewno nie pozostałoby bez wpływu na decyzje Rady.
Czy PMI jest dobrym wyborem?
Postanowiliśmy sprawdzić czy wybór indeksu PMI jako barometru koniunktury w przemyśle jest podyktowany jego własnościami prognostycznymi czy może dlatego, że ten wskaźnik ten jest bardziej znany rynkom finansowym niż wskaźnik koniunktury w przemyśle publikowany przez GUS (w dalszej części będziemy używać nazwy wskaźnik GUS). Dzięki temu badaniu sprawdzimy również przydatność obydwu wskaźników do wyprognozowania dynamiki produkcji przemysłowej.
Badane zmienne to dynamika roczna produkcji przemysłowej, dynamika roczna indeksu PMI oraz różnica pomiędzy wskaźnikiem GUS a jego dwunastym opóźnieniem. Nie użyliśmy dynamiki wskaźnika GUS, ponieważ w próbie pojawiają się ujemne obserwacje.
Zależności różnią się względem horyzontu analizy
Pierwszym miernikiem powiązania będą korelacje. Pod tym względem lepsze dopasowanie wykazuje zmienna GUS, dla której współczynnik korelacji Pearsona przyjmuje wartość równą 0,73, natomiast dla PMI korelacja wynosi 0,56. Innym ważnym aspektem jest wyprzedzanie produkcji przemysłowej. Jak wiadomo cechą pożądaną jest to, aby barometr koniunktury wyprzedzał dane „twarde” o kilka miesięcy. Do oceny tej cechy posłużyła nam korelacja krzyżowa, która pokazuje wartość współczynnika korelacji dla danej zmiennej i jej opóźnień. Wykres korelacji dla danych opóźnień pokazuje, że to indeks PMI wykazuje większą korelację dla dłuższego horyzontu, natomiast wskaźnik GUS lepiej sprawuje się dla krótszych okresów – do jednego kwartału. Powyżej trzech miesięcy korelacja zmiennej GUS spada dość szybko, natomiast w przypadku indeksu PMI do czteromiesięcznego opóźnienia korelacja rośnie osiągając wartość współczynnika korelacji na poziomie 0,67.
Cykle koniunkturalne produkcji
W dalszej części zajmiemy się nie całymi wskaźnikami, ale jedynie ich składowymi cyklicznymi. Jak wiadomo każdy szereg czasowy można zdekomponować na cztery części: trend, wahania cykliczne, sezonowość i składnik przypadkowy/nieregularny. Polityka pieniężna ma wpływ tylko na składową cykliczną, ponieważ trendy mają charakter strukturalny i trwają latami, sezonowość wynika np. z klimatu a zmiany przypadkowe są powodowane przez decyzje jednorazowe jak np. zmiana taryf energetycznych. W celu wyodrębnienia składowej cyklicznej użyliśmy filtru pasmowo-przepustowego Christiano-Fitzgeralda, który ma wiele zalet w porównaniu z innymi metodami jak filtr Hodricka-Prescotta czy Baxter-Kinga. Dwie najważniejsze to duża odporność na dołączanie nowych obserwacji do próby oraz fakt, że filtr CF podaje wartości cykliczne dla bieżącego okresu.
Wnioski płynące z analizy zależności pomiędzy składowymi cyklicznymi barometrów koniunktury a cyklem koniunkturalnym produkcji przemysłowej są podobne do tych dotyczących całych wskaźników. Znów to zmienna GUS jest lepiej skorelowana dla krótszych opóźnień, natomiast powyżej dwumiesięcznego opóźnienia lepszym wskaźnikiem jest PMI, którego korelacja spada znacznie wolniej.
Trafność prognoz
Ostatnim testem, przed którym staną badane wskaźniki to test prognostyczny, który ocenia trafność prognoz z dwóch lub więcej modeli. W naszym przypadku porównamy prognozy z dwóch modeli ADL (Autoregressive Distributed Lag). Modele te zawierają opóźnienia zmiennej objaśnianej i wartość bieżącą oraz opóźnienia zmiennej objaśniającej. Po estymacji modelu wygenerowane zostały prognozy wygasłe od stycznia tego roku. Podstawą oceny przydatności prognostycznej jest MAE (Mean Absolute Error), który jest średnią z modułów błędów prognoz. Dla wszystkich horyzontów prognoz wskaźnik PMI jest bardziej przydatny, co potwierdza jego wyższość nad zmienną GUS.
Podsumowując, wskaźnik koniunktury w przemyśle publikowany przez GUS jest bardziej przydatny to krótkookresowych analiz produkcji przemysłowej, co jest spowodowane tym, że bardzo mocno spada jego korelacja dla dłuższych horyzontów prognostycznych. Odwrotnie jest z indeksem PMI, który lepiej radzi sobie z analizą z kilkumiesięcznym horyzontem.