Production Forecasting of Taiwan's Technology Industrial Cluster: A Bayesian Autoregression Approach

Abstract

This study proposes a forecasting method that combines the clustering effect and non‐informative diffuse‐prior Bayesian vector autoregression (NDBVAR) model to forecast the productions of technology industries. Two empirical cases are examined to verify the proposed method: the semiconductor industry and computer manufacturing industry in Taiwan. It is found that the NDBVAR model outperforms the other three conventional time series models including the autoregression (AR), vector autoregression (VAR), and Litterman Bayesian VAR (LBVAR) models. Moreover, the NDBVAR model also outperforms the forecast reports from leading market information providers over the past several years. The forecasting method proposed is therefore concluded to be a feasible approach for production prediction, especially for technology industries in volatile environments. Résumé La présente étude propose une méthode prévisionnelle qui combine les effets de regroupement et le non‐informative diffuse‐prior Bayesian vector autoregression model (NDBVAR) pour prévoir les productions des industries de technologie. Pour évaluer la méthode proposée, l'étude examine deux cas empiriques: les industries taiwanaises du semiconducteur et de fabrication d'ordinateur. Elle révèle que le modèle NDBVAR est plus performant que les trois modèles conventionnels en série chronologique notamment le modèle d'autoregression (AR), le modèle de vecteur d'autoregression (VAR), et le modèle Litterman Bayesian (LBVAR). L'étude montre aussi qu'au cours des dernières années, les modèles NDBVAR ont été plus performants que les rapports prévisionnels des prestataires d'informations qui dominent le marché. Elle débouche sur la constatation que la méthode prévisionnelle proposée est une approche réalisable pour la prévision de la production, en particulier pour les industries de la technologie dans un environnement volatile.

Business Forecasting of Double‐trend Time Series: An Improved PLS‐based Time‐varying Weight Combination Approach

“…When handling time series with linear characteristics, its forecasting performance is generally not as good as the ARIMA model's (Maia, de Carvalho & Ludermir, 2008). Lee, Wang, Hsu and Lai (2005) used the non-informative diffuse-prior Bayesian vector autoregression model to forecast the productions of technology industries. However, it is not suitable for univariate time series.…”