Predicting Canadian recessions using dynamic probit modelling approaches

Abstract This paper examines the ability of various financial and macroeconomic variables to forecast Canadian recessions. It evaluates four model specifications, including the advanced dynamic, autoregressive, dynamic autoregressive probit models as well as the conventional static probit model. The empirical results highlight several significant recession predictors, notably the government bond yield spread, growth rates of the housing starts, the real money supply and the composite index of leading indicators. Both the in-sample and out-of-sample results suggest that the forecasting performance of the four probit models is mixed. The dynamic and dynamic autoregressive probit models are better in predicting the duration of recessions while the static and autoregressive probit models are better in forecasting the peaks of business cycles. Hence, the advanced dynamic models and the conventional static probit model can complement one another to provide more accurate forecasts for the duration and turning points of business cycles.

Ce texte examine la capacité de différentes variables financières et macroéconomiques à prédire les récessions canadiennes On examine quatre spécifications du modèle probit –, le modèle dynamique avancé, le modèle autorégressif, le modèle dynamique autorégressif, ainsi que le modèle statique conventionnel. Les résultats empiriques soulignent plusieurs prédicteurs significatifs – notamment l’étalement des taux de rendement des obligations gouvernementales, les taux de croissance des mises en chantier des maisons, l’offre de monnaie réelle, et l’indice composite avancé. Les résultats à la fois pour des estimations basées sur l’échantillon ou hors-échantillon suggèrent que la performance prévisionnelle des quatre modèles probit n’est pas toujours cohérente. Les modèles dynamique et dynamique autorégressif performent mieux dans la prévision de la durée des récessions, alors que les modèles statique et autorégressif font un meilleur travail dans la prévision des sommets des cycles d’affaires. Les modèles dynamique avancé et conventionnel se complètent en ce qu’ils fournissent des données plus précises sur la durée et et les points tournants des cycles d’affaires.