This paper provides a comprehensive analysis of the forecastability of the real price of natural gas in the United States at the monthly frequency considering a universe of models that differ in their complexity and economic content. Our key finding is that considerable reductions in mean-squared prediction error relative to a random walk benchmark can be achieved in real time for forecast horizons of up to two years. A particularly promising model is a six-variable Bayesian vector autoregressive model that includes the fundamental determinants of the supply and demand for natural gas. To capture real-time data constraints of these and other predictor variables, we assemble a rich database of historical vintages from multiple sources. We also compare our model-based forecasts to readily available model-free forecasts provided by experts and futures markets. Given that no single forecasting method dominates all others, we explore the usefulness of pooling forecasts and find that combining forecasts from individual models selected in real time based on their most recent performance delivers the most accurate forecasts.

This paper investigates forecast aggregation via the random subspace regressions method (RSM) and explores the potential link between RSM and the Shapley value decomposition (SVD) using the US GDP growth rates. This technique combination enables handling high-dimensional data and reveals the relative importance of each individual forecast. First, it is possible to enhance forecasting performance in certain practical instances by randomly selecting smaller subsets of individual forecasts and obtaining a new set of predictions based on a regression-based weighting scheme. The optimal value of selected individual forecasts is also empirically studied. Then, a connection between RSM and SVD is proposed, enabling the examination of each individual forecast’s contribution to the final prediction, even when there is a large number of forecasts. This approach is model-agnostic (can be applied to any set of predictions) and facilitates understanding of how the aggregated prediction is obtained based on individual forecasts, which is crucial for decision-makers.

Seit dem Atomausstieg am 15. April 2023 sind die Großhandelsstrompreise in Deutschland deutlich gesunken. Innerhalb des deutschen Merit-Order-Systems galten Atomkraftwerke als die kostengünstigste Form der Stromerzeugung. Hätten die Atomkraftwerke weiterbetrieben werden können, wären die Großhandelsstrompreise für den Zeitraum vom 16. April 2023 bis zum 31. Dezember 2023 voraussichtlich um 1% bis 8% niedriger gewesen. Insbesondere im Oktober hätte der Weiterbetrieb der Atomkraftwerke die Großhandelsstrompreise gesenkt, vor allem in Zeiten hoher Stromnachfrage und geringer Verfügbarkeit erneuerbarer Energien.

Dieser Bericht beschreibt den neuen Schlüssel zwischen Betriebs- und Unternehmensidentifikatoren. Er ermöglicht die Verknüpfung von administrativen Beschäftigungsdaten des Instituts für Arbeitsmarkt- und Berufsforschung (IAB) mit externen Betriebsdaten, die über einen Creditreform- oder Moody’s (ehemals Bureau van Dijk)-Identifikator verfügen. Die Zuordnung zwischen den beiden Datenquellen basiert auf einem Record-Linkage zwischen den Adressdaten des IAB und den Adressdaten des Mannheimer Unternehmenspanels (MUP) des Leibniz-Zentrum für Europäische Wirtschaftsforschung (ZEW). Dieser Methodenbericht fasst den Prozess der Datenverknüpfung zusammen, beschreibt ausführlich die Bereinigung der Daten und Qualitäts- und Repräsentativitätsprüfungen sowie Einschränkungen der Daten. Der Schlüssel wird die Grundlage für Standarddatenprodukte bilden, die über das Forschungsdatenzentrum des IAB (FDZ) verfügbar sein werden. Darüber hinaus ermöglicht der vorgestellte Schlüssel die Erstellung individueller Datensätze.