Classical and Bayesian vector autoregression for housing market analysis: evidence from Ireland

This thesis investigates the application of econometric models, specifically Vector Autoregression and Bayesian Vector Autoregression, to forecast Irish house prices, a relevant indicator for recent economic and social developments in Ireland. Using a newly constructed dataset, this study analyzes Irish housing market dynamics and the demand-supply mismatch that complicate forecasting. In particular, household credit, interest rates, and supply side variables such as construction activity and new planning permissions granted are key drivers in shaping house prices. Recognizing the limitations of classical VAR, the research explores the Bayesian extension, which incorporate prior information to regularize parameter estimates and improve forecast accuracy. Particular emphasis is placed on hierarchical shrinkage priors, evaluating the impact of various hyperprior choices on predictive performance, parameter uncertainty, and the width of posterior predictive intervals. Empirical findings demonstrate that BVAR models with appropriate shrinkage outperform classical VAR and more simple BVAR models, offering more stable and accurate forecasts. Stronger shrinkage improves short-term forecasts with narrower confidence intervals, while looser shrinkage is more effective over longer horizons, but with greater uncertainty. Due to these forecasting capabilities, these models provide more reliable information for housing market policy decisions.

Questa tesi studia l’applicazione di modelli econometrici, in particolare Vector Autoregression e Bayesian Vector Autoregression, per prevedere i prezzi delle case in Irlanda, un indicatore rilevante per i recenti sviluppi economici e sociali nel Paese. Utilizzando un dataset di nuova costruzione, questo studio analizza le dinamiche del mercato immobiliare irlandese e lo squilibrio tra domanda e offerta che rende difficile avere previsioni accurate. In particolare, il livello di credito delle famiglie, i tassi di interesse e variabili di offerta come l’attività edilizia e i nuovi permessi di costruzione sono importanti fattori che influenzano i prezzi delle case. Riconoscendo i limiti del VAR classico, la tesi esplora l’estensione bayesiana, che incorpora priors per regolarizzare le stime dei parametri e migliorare l’accuratezza delle previsioni. Particolare enfasi viene posta sui prior di tipo gerarchico e allo shrinkage, valutando l’impatto che diverse scelte di hyperpriors hanno in termini di accuratezza predittiva, incertezza dei parametri ed ampiezza degli intervalli di confidenza predittivi. I risultati mostrano che i modelli BVAR con un appropriato livello di shrinkage sovraperformando i modelli VAR classici e i modelli BVAR più semplici, offrendo previsioni più stabili e accurate. Uno shrinkage più forte migliora le previsioni a breve termine con intervalli di confidenza più stretti, mentre uno shrinkage meno rigido è più efficace su orizzonti più lunghi, ma con una maggiore incertezza. Grazie a queste capacità predittive, questi modelli forniscono informazioni più affidabili per i policy-maker riguardo il mercato immobiliare.