An essay on mixed-frequency data, aggregated time series, and causality

Abstract

Entender as complexidades das relações econômicas é crucial para formuladores de políticas, pesquisadores e analistas. A agregação temporal, onde a frequência de geração de dados excede a frequência de coleta de dados, apresenta desafios significativos na análise econômica. Essa discrepância pode levar a realizações não observáveis do processo estocástico original, afetando as propriedades dos dados de séries temporais. Abordar esses desafios é vital para detectar e interpretar com precisão as relações causais entre variáveis econômicas. Nossa pesquisa visa identificar como a agregação temporal pode interferir na detecção de causalidade entre séries temporais. Também demonstramos como um teste de causalidade Sims modificado pode ser empregado para detectar causalidade em modelos de frequências mistas. Nossas simulações de Monte Carlo mostram boas propriedades de tamanho e poder para amostras finitas. Finalmente, testamos a causalidade entre o PIB dos EUA e indicadores macroeconômicos mensais.

Temporal aggregation, where the data generation frequency exceeds the data collection frequency, poses significant challenges in economic analysis. This discrepancy can lead to unobservable realizations of the original stochastic process, which in turn affects the properties of time series data. Consequently, addressing these challenges is crucial for accurately detecting and interpreting causal relationships between economic variables. In our research, we aim to identify how temporal aggregation can interfere with the detection of causality between time series. Furthermore, we demonstrate the application of a modified Sims causality test to detect causality in mixed-frequency models. Our Monte Carlo simulations indicate that this test exhibits good finite sample size and power properties. Finally, we apply our methodology to test the causality between U.S. GDP and macroeconomic monthly indicators.