A principal component analysis of multivariate data on inflation for Nigeria

• Autorzy: Omoregie David E. , Ekhosuehi Virtue U.

Identyfikatory

DOI

10.14708/ma.v48i2.7043

Warianty tytułu

PL

Analiza głównych składowych wielowymiarowych danych o inflacji dla Nigerii

• Języki publikacji: EN

Abstrakty

EN

For quite some time now, the Central Bank of Nigeria (CBN) analyses multivariate data on inflation so as to account for diverse sources of inflationary pressures at the current period and to monitor the inflation pattern in the economy. When the data are subjected to the classical multiple regression analysis using the Ordinary Least Squares (OLS) method, some of the variables may be highly correlated causing statistical insignificance. This may lead to exclusion of some variables from the fitted model. When this happens, the cost of data collection for such variables is a waste. Regardless of the outcome from a variable selection technique, this study is designed to familiarise monetary policy makers with the possibility of integrating Principal Component Analysis (PCA) with the regression analysis so that a few variable components are utilised without excluding any explanatory variable. The paper models the multivariate data at the CBN database on inflation, and extracts important artificial orthogonal variables from the linear combinations of the observed explanatory variables, although with a penalty cost of excluding components with observations that are minimally separated. The PC-based model explains 95.91% of variations in the headline inflation with a mean difference (between the actual and the predicted inflation) that is statistically not different from zero. The study is a significant addition to the existing methodologies for inflation forecasting in the literature as it is one of a few works that apply PCA-based technique to predict headline inflation.

PL

Centralny Bank Nigerii (CBN) od dłuższego czasu analizuje wielowymiarowe dane o inflacji, aby uwzględnić różne źródła presji inflacyjnej w bieżącym okresie i monitorować kształtowanie się inflacji w gospodarce. Gdy dane są poddawane klasycznej analizie regresji wielorakiej przy użyciu zwykłej metody najmniejszych kwadratów (OLS), to niektóre zmienne mogą być silnie skorelowane, co powoduje brak nieistotność statystycznej modelu. Może to prowadzić do wykluczenia niektórych zmiennych z dopasowanego modelu. W takim przypadku koszt gromadzenia danych dla takich zmiennych jest stratą. Niezależnie od wyniku techniki selekcji zmiennych, niniejsze badanie ma na celu zaznajomienie decydentów polityki pieniężnej z możliwością zintegrowania analizy składowych głównych (PCA) z analizą regresji, tak aby można było wykorzystać kilka zmiennych składowych bez wykluczania żadnej zmiennej wyjaśniającej. Artykuł modeluje dane wielowymiarowe w bazie danych CBN na temat inflacji i wyodrębnia ważne sztuczne zmienne ortogonalne z liniowych kombinacji obserwowanych zmiennych objaśniających, chociaż z karą za wykluczenie komponentów z obserwacjami, które są minimalnie oddzielone. Model numeryczny wyjaśnia 95,91 % zmienność zasadniczej inflacji przy średniej różnicy (między rzeczywistą i przewidywaną inflacją), która nie jest statystycznie różna od zera. Badanie jest istotnym uzupełnieniem istniejących w literaturze metodologii prognozowania inflacji, ponieważ jest jedną z nielicznych prac, które wykorzystują technikę PCA do przewidywania inflacji zasadniczej.

Słowa kluczowe

EN

inflation; orthogonal variables; multivariate data; principal component analysis; regression

PL

inflacja; zmienne ortogonalne; dane wielowymiarowe; analiza składowych głównych; regresja

• Wydawca: Polskie Towarzystwo Matematyczne
• Czasopismo: Mathematica Applicanda
• Rocznik: 2020
• Tom: Vol. 48, no. 2
• Strony: 115--132
• Opis fizyczny: Bibliogr. 24 poz., fot., tab., wykr.

Twórcy

autor

Omoregie David E.

• Central Bank of Nigeria, Monetary Policy Department, Abuja, Nigeria

autor

Ekhosuehi Virtue U.

• University of Benin, Department of Statistics, Benin City, Nigeria

Bibliografia

• [1] Bamanga, M. A., Musa, U., Salihu, A., Udoette, U. S., Adejo, V. T., Edem, O. N., Bukar, H. and Udechukwu-Peterclaver, C. T. (2016). Inflation and inflation uncertainty in Nigeria: a test of the Friedman's hypothesis. CBN Journal of Applied Statistics, 7 (1), 147-169. ISSN 2476-8472. Cited on pp. 116 and 117.
• [2] Bojarian, M., Asadi-Gharneh, H. A. and Golabadi, M. (2018). Factor analysis, stepwise regression and path coefficient analyses of yield, yield associated traits, and fruit quality in tomato. Int. J. of Vegetable Science, 25, 542-553. doi: 10.1080/19315260.2018.1551260 Cited on pp. 118, 119, and 121.
• [3] CBN Series (2011). Inflation targeting as a monetary policy framework. In: Tule et al. (Editors), Understanding Monetary Policy, Series 12, Central Bank of Nigeria, Abuja. Cited on pp. 115 and 116.
• [4] Central Bank of Nigeria (2019). Half Year Activity Report 2019. https://www.cbn.gov.ng/Out/2019/FMD/Half%20Year%20Activity%20Report%202019.pdf. Cited on p. 126.
• [5] Dunaet, D. (n.d.). Critical value of r calculator (Excel). doi: 10.13140/RG.2.2.12146.81607 Cited on p. 121.
• [6] Duncan, R. and Martinez-Garcia, E. (2018). New perspectives on forecasting inflation in emerging market economies: an empirical assessment. Working Paper no. 338, Federal Reserve Bank of Dallas, Globalization and Monetary Policy Institute. Cited on pp. 116 and 117.
• [7] Espasa, A. and Senra, E. (2017). Twenty-two years of inflation assessment and forecasting experience at the bulletin of EU & US inflation and macroeconomic analysis. Econometrics, 5. doi: 10.3390/econometrics5040044. Cited on p. 116.
• [8] Fasanya, I. O. and Adekoya, O. B. (2017). Modelling inflation rate volatility in Nigeria with structural breaks. CBN Journal of Applied Statistics, 8 (1), 175-193. ISSN 2476-8472. Cited on pp. 116 and 117.
• [9] Feldkircher, M. and Tondl, G. (2020). Global factors driving inflation and monetary policy: a global VAR assessment. Int. Adv. Econ. Res., 26, 225-247. doi: 10.1007/s11294-020-09792-2 Cited on p. 116.
• [10] Forkman, J., Josse, J. and Piepho, H.-P. (2019). Hypothesis tests for principal component analysis when variables are standardized. Journal of Agricultural, Biological, and Environmental Statistics, 24 (2), 289-308. doi: 10.1007/s13253-019-00355-5 Cited on p. 120.
• [11] Gagnon, P., Bédard, M. and Desgagné, A. (2020). An automatic robust Bayesian approach to principal component regression. Journal of Applied Statistics, doi: 10.1080/02664763.2019.1710478 Cited on p. 118.
• [12] Hardle, W. and Simar, l. (2007). Applied Multivariate Statistical Analysis (2nd ed.). Berlin: Springer-Verlag. Cited on pp. 118 and 119.
• [13] Hashmi, I. A. S. and Bhatti, A. A. (2019). On the monetary measures of global liquidity. Financial Innovation, 5. doi: 10.1186/s40854-019-0134-4. Cited on p. 118.
• [14] Hattab, M. W., Jackson, C. S. and Huerta, G. (2019). Analysis of climate sensitivity via high-dimensional principal component regression. Communications in Statistics: Case Studies, Data Analysis and Applications, 5 (4): 394-414. doi: 10.1080/23737484.2019.1670119 Cited on p. 118.
• [15] Koutsoyiannis, A. (1977). Theory of Econometrics (2nd ed.). New York: Palgrave. Cited on pp. 118, 119, and 120.
• [16] Nwosu, D. F., Ekhosuehi, V. U. and Mbegbu, J. I. (2020). Performance of some factor analysis techniques. Annals of Data Science, 7: 209-242. doi: 10.1007/s40745-020-00260-6. Cited on p. 119.
• [17] Peres-Neto, P. R., Jackson, D. A. and Somers, K. M. (2003). Giving meaningful interpretation to ordination axes: assessing loading significance in principal component analysis. Ecology, 84 (9), 2347-2363. Cited on p. 120.
• [18] Rencher, A. C. (2002). Method of Multivariate Analysis (2nd ed.). New York: John Wiley & Sons Inc. Cited on p. 119.
• [19] Rose, S. and McGuire, T. G. (2019). Limitations of p-values and R squared for stepwise regression building: a fairness demonstration in health policy risk adjustment. The American Statistician, 73, 152-156. doi: 10.1080/00031305.2018.1518269 Cited on pp. 119, 121, and 128.
• [20] Uyaebo, S. O. U., Bello, Y. A., Omotosho, B. S., Karu, S., Stephen, S. A., Ogbuka, R. O., Usman, B. F. and Mimiko, O. D. (2016). Testing the Fisher hypothesis in the presence of structural breaks and adaptive inflationary expectations: evidence from Nigeria. CBN Journal of Applied Statistics, 7 (1), 333-358. Cited on p. 117.
• [21] Yamamoto, H., Fujimori, T., Sato, H., Ishikawa, G., Kami, K. and Ohashi, Y. (2014). Statistical hypothesis testing of factor loading in principal component analysis and its application to metabolite set enrichment analysis. BMC Bioinformatics 2014, 15 (51). http://www.biomedcentral.com/1471-2105/15/51 Cited on p. 120.
• [22] Yaya, O. S., Akintande, O. J., Ogbonna, A. E. and Adegoke, H. M. (2019). CPI inflation in Africa: fractional persistence, mean reversion and nonlinearity. Statistics in Transition (new series), 20: 119-132. doi: 10.21307/stattrans-2019-027. Cited on p. 116.
• [23] Yousaf, I., Ali, S. and Hassan, A. (2019). Effect of family control on corporate dividend policy of firms in Pakistan. Financial Innovation, 5. doi: 10.1186/s40854-019-0158-9. Cited on p. 118.
• [24] Zardi, S. C. (2017). Forecasting inflation in a macroeconomic framework: an application to Tunisia. Working Paper no. heidwp07-2017, Graduate Inst. of Int. and Development Studies, Geneva. Cited on p. 116.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).