Essays on the econometrics of agricultural subsidies and the forecasting of agricultural time series

Abstract

In this thesis, we make a three-fold contribution. First, we introduce a new forecasting methodology, referred to as adaptive learning forecasting, that allows for both forecast averaging and forecast error learning. We analyze its theoretical properties and demonstrate that it provides a priori MSE improvements under certain conditions. The learning rate based on past forecast errors is shown to be non-linear. This methodology is of wide applicability and can provide MSE improvements even for the simplest benchmark models. We illustrate the method’s application using data on agricultural prices for several agricultural products, as well as on real GDP growth for several of the corresponding countries. The time series of agricultural prices are short and show an irregular cyclicality that can be linked to economic performance and productivity, and we consider a variety of forecasting models, both univariate and bivariate, that are linked to output and productivity. Our results support both the efficacy of the new method and the forecastability of agricultural prices. Continuing our research in the agricultural sector, we focus our analysis on the distributional characteristics of Greek agricultural subsidies. The economic impact of agricultural subsidies during and after the time of the 2008 economic crisis appears to be an important issue that merits a particular examination, as subsidies are part of fiscal spending and we are in times of fiscal restraint. Since agricultural subsidies are now decoupled from output or productivity they are a direct income transfer, and their amounts can be staggering. We examine the impact of agricultural subsidies for Greece, using a detailed, micro-panel dataset for four years, 2008, 2010, 2012 and 2014. The fact that Greece went into the worse GDP recession ever, and is on the tightest fiscal policy ever as well, we ask whether these subsidies are meaningful for the generation of growth in the years to come – particularly when in many other areas of the economy European funding has been drastically cut-out. Our analysis is illuminating on at least two aspects of subsidies: first, it suggests that an incentive scheme for promoting larger land size would have a probable positive effect on agricultural value-added; second, that subsidies today produce the larger impact on future value-added for the top two percentiles of the subsidy distribution (i.e. on larger farm-sizes) and thus the first two points combined suggest an “increasing returns to scale” for Greek agricultural via some subsidy incentive scheme. As they stand now, agricultural subsidies are of dubious value, in magnitude and effect, for the Greek economy as it tries to recover from the crisis. In the last part of the thesis, we suggest an intuitive, computationally fast and expedient way of forecasting non-stationary time series using distance-based nearest neighbors (NN); although NN is not a new approach, our application of model-specific distances and the way of implementing the forecasts in this thesis is. Forecasting non-stationary time series in their levels, such as those coming from data generating processes that resemble random walks or unit-roots, is a difficult and sometimes impossible task. The path and scale dependence of such series suggest that transformations to some form of stationarity should be used prior to applying forecasting methods more suitable to stationary time series – but even then we find that many times, such methods cannot beat the simplest benchmark, the naive forecast: the last observation of the time series. We provide a number of theoretical results on the distances used and the properties of the resulting forecasts, and illustrate the efficacy of our method via a comprehensive empirical application on time series of exchange rates and commodities; we show both the forecasting performance enhancements but also the importance of such results in a decision-making context, linking forecasting in levels with management mathematics and predictive analytics problems.

Στην διατριβή αυτή κάνουμε μια τριπλή συνεισφορά στην σχετική βιβλιογραφία της ανάλυσης και πρόβλεψης χρονοσειρών και στην βιβλιογραφία της αγροτικής οικονομικής. Αρχικά εισάγουμε μία νέα μέθοδο πρόβλεψης, η οποία αναφέρεται ως μέθοδος "Προσαρμοσμένης Μάθησης" ή "Adaptive Learning" που υποστηρίζει τόσο τον υπολογισμό της πρόβλεψης του μέσου όρου όσο και τον υπολογισμό από την εκμάθηση της πρόβλεψης του όρου σφάλματος. Αναλύουμε τις θεωρητικές τους ιδιότητες και αποδεικνύουμε ότι παρέχει a priori βελτιώσεις του Μέσου Τετραγωνικού Σφάλματος, υπό συγκεριμένες προϋποθέσεις. Ο ρυθμός εκμάθησης που βασίζεται στα προηγούμενα λάθη πρόβλεψης παρουσιάζεται να είναι μη γραμμικός και να εξαρτάται από τον βαθμό αυτοσυσχέτισης του σφάλματος πρόβλεψης πάνω στο οποίο εφαρμόζεται η μέθοδος. Η προτεινόμενη μεθοδολογία έχει ευρεία εφαρμογή και μπορεί να προσφέρει βελτιώσεις του Μέσου Τετραγωνικού Σφάλματος ακόμη και για το πιο απλά μοντέλα αναφοράς. Απεικονίζουμε την εφαρμογή της μεθόδου χρησιμοποιώντας δεδομένα από χρονολογικές σειρές τιμών αγροτικών προϊόντων διαφόρων χωρών καθώς και το πραγματικό ΑΕΠ των αντίστοιχων χωρών. Οι χρονολογικές σειρές των αγροτικών προϊόντων είναι βραχείες και εμφανίζουν ακανόνιστη κυκλικότητα που μπορεί να συνδεθεί με την οικονομική απόδοση και παραγωγικότητα. Λαμβάνουμε υπόψιν μία ποικιλία μονομεταβλητών και διμεταβλητών μοντέλων πρόβλεψης. Τα αποτελέσματά μας υποστηρίζουν τόσο την αποτελεσματικότητα της νέας μεθόδου όσο και την προβλεψιμότητα των τιμών αγροτικών προϊόντων. Συνεχίζοντας την έρευνά μας στον αγροτικό τομέα εστιάζουμε την ανάλυσή μας στα διανεμητικά χαρακτηριστικά των αγροτικών επιδοτήσεων. Η οικονομική επίδραση των αγροτικών επιδοτήσεων κατά την διάρκεια και μετά την κρίση του 2008, αποτελεί ιδιαίτερο ζήτημα που χρήζει περαιτέρω ανάλυση, καθώς οι αγροτικές επιδοτήσεις αποτελούν μέρος των δημοσιονομικών δαπανών και ενώ βρισκόμαστε σε περιόδους δημοσιονομικής συγκράτησης. Από τη στιγμή που οι αγροτικές επιδοτήσεις είναι αποσυνδεδεμένες από την παραγωγή ή την παραγωγικότητα αποτελούν μεταφορά εισοδήματος προς τους επιδοτούμενους αγρότες. Εξετάζουμε τον οικονομικό αντίκτυπο των αγροτικών επιδοτήσεων για την Ελλάδα, χρησιμοποιώντας ένα λεπτομερή πίνακα μικροδεδομένων για τέσσερα χρόνια: 2008, 2010, 2012, 2014. Αναλογιζόμενοι το γεγονός ότι η Ελλάδα εισήλθε στη χειρότερη ύφεση του ΑΕΠ, εξετάζουμε εάν οι επιδοτήσεις αυτές συμβάλλουν στην δημιουργία ανάπτυξης για τα επόμενα χρόνια, ιδιαίτερα όταν σε πολλούς άλλους τομείς η ευρωπαϊκή χρηματοδότηση έχει μειωθεί δραστικά. Η ανάλυσή μας αναδεικνύει τουλάχιστον δύο πτυχές: Προτείνει ότι ένα καθεστώς κινήτρων για την προώθηση μεγαλύτερου μεγέθους γης θα είχε θετική επίδραση στην αγροτική προστιθέμενη αξία και δεύτερον ότι οι αγροτικές επιδοτήσεις σήμερα παράγουν τον μεγαλύτερο αντίκτυπο στην μελλοντική προστιθέμενη αξία για τα δύο τελευταία εκατοστημόρια της κατανομής των επιδοτήσεων (δηλαδή σε μεγαλύτερα μεγέθη αγροκτημάτων). Οι δύο αυτές πτυχές εάν συνδυαστούν υποδεικνύουν αυξανόμενες αποδόσεις κλίμακας για την ελληνική γεωργία. Στο τελευταίο μέρος της διατριβής προτείνουμε έναν ευκολονόητο, υπολογιστικά γρήγορο και χρήσιμο τρόπο πρόβλεψης μη στάσιμων χρονολογικών σειρών, χρησιμοποιώντας Distance-based Nearest Neighbors (NN). Αν και η ΝΝ δεν είναι μία νέα προσέγγιση, η εφαρμογή των εξειδικευμένων αποστάσεων του υποδείγματος τυχαίου περίπατου και ο τρόπος εφαρμογής των προβλέψεων είναι. Προβλέποντας μη στάσιμες χρονολογικές σειρές στα επίπεδά τους, όπως αυτές που προέρχονται από διαδικασίες δημιουργίας δεδομένων που μοιάζουν με "τυχαίο περίπατο" ή περιέχουν "μοναδιαία ρίζα" είναι δύσκολο και μερικές φορές αδύνατο έργο. Ο βαθμός εξάρτησης αυτών των σειρών προϋποθέτει ότι ο μετασχηματισμός σε κάποια μορφή στασιμότητας πρέπει να χρησιμοποιείται πρώτα για την εφαρμογή μεθόδων πρόβλεψης που είναι περισσότερο κατάλληλες για στάσιμες χρονολογικές σειρές. Αλλά ακόμη και τότε διαπιστώνουμε ότι, πολλές φορές, τέτοιες μέθοδοι δεν μπορούν να νικήσουν το απλούστερο μοντέλο αναφοράς: την τελευταία παρατήρηση των χρονολογικών σειρών. Παρέχουμε μία σειρά θεωρητικών αποτελεσμάτων σχετικά με τις αποστάσεις που χρησιμοποιήθηκαν και τις ιδιότητες των προβλέψεων που προέκυψαν και απεικονίζουν την αποτελεσματικότητα της μεθόδου μας, μέσω μιας εμπεριστατωμένης εμπειρικής εφαρμογής σε χρονολογικές σειρές συναλλαγματικών ισοτιμιών και εμπορευμάτων. Αποδεικνύουμε τόσο τις βελτιώσεις στις αποδόσεις των προβλέψεων όσο και τη σπουδαιότητα των αποτελεσμάτων αυτών σε ένα πλαίσιο λήψης αποφάσεων συνδέοντας την πρόβλεψη στα επίπεδα με τα μαθηματικά διαχείρισης και τα προγνωστικά προβλήματα ανάλυσης.