---
ticker: "KRGDPNOW"
title: "대한민국 실질 GDP 나우캐스트"
unit: "%"
frequency: "월별"
source: "Giannone, Reichlin, and Small (2008); Bańbura and Modugno (2014); Mariano and Murasawa (2003); Bok, Caratelli, Giannone, Sbordone, and Tambalotti (2018)"
release: "월별 산출"
category: "경기침체·나우캐스팅"
country: "KR"
language: "ko"
canonical: "https://kred.dev/ko/series/KRGDPNOW"
license: "https://creativecommons.org/licenses/by-nc-nd/4.0/"
latest_value: 0.83
latest_date: "2026-09-30"
first_date: "2013-02-28"
observations_total: 151
observations_shown: 120
---

# 대한민국 실질 GDP 나우캐스트

## 개요

월별 실물활동 지표를 종합해 현재 분기의 실질 성장세를 공식 발표 이전에 실시간에 가깝게 가늠하는 경기 진단 지표입니다.

## 주요 수치

|  | 값 | 날짜 |
|---|---|---|
| 최신값 | 0.83 | 2026-09-30 |
| 직전 대비 | 0.00 | 2026-08-31 |
| 1년 전 대비 | +0.25 | 2025-09-30 |
| 수록 기간 내 최고 | 1.04 | 2022-04-30 |
| 수록 기간 내 최저 | -0.26 | 2020-07-31 |
| 수록 기간 | 2013-02-28 – 2026-09-30 |  |
| 관측치 수 | 151 |  |

## 최근 관측치

| 날짜 | 값 | 변화 |
|---|---|---|
| 2015-11-30 | 0.80 | +0.01 |
| 2015-12-31 | 0.80 | 0.00 |
| 2016-02-29 | 0.76 | -0.04 |
| 2016-03-31 | 0.71 | -0.05 |
| 2016-04-30 | 0.59 | -0.12 |
| 2016-05-31 | 0.61 | +0.02 |
| 2016-06-30 | 0.62 | +0.01 |
| 2016-07-31 | 0.79 | +0.16 |
| 2016-08-31 | 0.78 | 0.00 |
| 2016-09-30 | 0.79 | +0.01 |
| 2016-10-31 | 0.78 | -0.02 |
| 2016-11-30 | 0.77 | 0.00 |
| 2016-12-31 | 0.74 | -0.04 |
| 2017-02-28 | 0.66 | -0.07 |
| 2017-03-31 | 0.69 | +0.03 |
| 2017-04-30 | 0.85 | +0.16 |
| 2017-05-31 | 0.89 | +0.04 |
| 2017-06-30 | 0.91 | +0.02 |
| 2017-07-31 | 0.93 | +0.02 |
| 2017-08-31 | 0.91 | -0.02 |
| 2017-09-30 | 0.90 | -0.01 |
| 2017-10-31 | 0.95 | +0.05 |
| 2017-11-30 | 0.95 | 0.00 |
| 2017-12-31 | 0.96 | +0.01 |
| 2018-02-28 | 0.85 | -0.11 |
| 2018-03-31 | 0.82 | -0.03 |
| 2018-04-30 | 0.86 | +0.04 |
| 2018-05-31 | 0.84 | -0.02 |
| 2018-06-30 | 0.84 | 0.00 |
| 2018-07-31 | 0.89 | +0.05 |
| 2018-08-31 | 0.85 | -0.04 |
| 2018-09-30 | 0.80 | -0.05 |
| 2018-10-31 | 0.69 | -0.10 |
| 2018-11-30 | 0.70 | 0.00 |
| 2018-12-31 | 0.68 | -0.02 |
| 2019-02-28 | 0.62 | -0.06 |
| 2019-03-31 | 0.61 | -0.01 |
| 2019-04-30 | 0.63 | +0.03 |
| 2019-05-31 | 0.64 | 0.00 |
| 2019-06-30 | 0.63 | -0.01 |
| 2019-07-31 | 0.68 | +0.05 |
| 2019-08-31 | 0.68 | 0.00 |
| 2019-09-30 | 0.66 | -0.02 |
| 2019-10-31 | 0.69 | +0.03 |
| 2019-11-30 | 0.72 | +0.03 |
| 2019-12-31 | 0.72 | 0.00 |
| 2020-02-29 | 0.78 | +0.06 |
| 2020-03-31 | 0.71 | -0.07 |
| 2020-04-30 | 0.29 | -0.41 |
| 2020-05-31 | -0.04 | -0.33 |
| 2020-06-30 | -0.02 | +0.01 |
| 2020-07-31 | -0.26 | -0.23 |
| 2020-08-31 | -0.21 | +0.04 |
| 2020-09-30 | -0.16 | +0.06 |
| 2020-10-31 | 0.31 | +0.47 |
| 2020-11-30 | 0.34 | +0.03 |
| 2020-12-31 | 0.44 | +0.10 |
| 2021-02-28 | 0.61 | +0.17 |
| 2021-03-31 | 0.68 | +0.07 |
| 2021-04-30 | 0.72 | +0.04 |
| 2021-05-31 | 0.84 | +0.12 |
| 2021-06-30 | 0.88 | +0.04 |
| 2021-07-31 | 1.03 | +0.15 |
| 2021-08-31 | 1.01 | -0.02 |
| 2021-09-30 | 0.98 | -0.03 |
| 2021-10-31 | 0.83 | -0.14 |
| 2021-11-30 | 0.86 | +0.02 |
| 2021-12-31 | 0.89 | +0.03 |
| 2022-02-28 | 1.00 | +0.11 |
| 2022-03-31 | 1.03 | +0.03 |
| 2022-04-30 | 1.04 | +0.01 |
| 2022-05-31 | 0.99 | -0.05 |
| 2022-06-30 | 1.00 | +0.01 |
| 2022-07-31 | 0.90 | -0.10 |
| 2022-08-31 | 0.81 | -0.08 |
| 2022-09-30 | 0.79 | -0.02 |
| 2022-10-31 | 0.80 | +0.01 |
| 2022-11-30 | 0.75 | -0.06 |
| 2022-12-31 | 0.71 | -0.03 |
| 2023-02-28 | 0.50 | -0.22 |
| 2023-03-31 | 0.49 | -0.01 |
| 2023-04-30 | 0.54 | +0.05 |
| 2023-05-31 | 0.58 | +0.04 |
| 2023-06-30 | 0.59 | +0.02 |
| 2023-07-31 | 0.73 | +0.14 |
| 2023-08-31 | 0.71 | -0.02 |
| 2023-09-30 | 0.71 | -0.01 |
| 2023-10-31 | 0.70 | -0.01 |
| 2023-11-30 | 0.69 | -0.01 |
| 2023-12-31 | 0.67 | -0.02 |
| 2024-02-29 | 0.64 | -0.03 |
| 2024-03-31 | 0.66 | +0.02 |
| 2024-04-30 | 0.70 | +0.04 |
| 2024-05-31 | 0.67 | -0.03 |
| 2024-06-30 | 0.66 | -0.01 |
| 2024-07-31 | 0.59 | -0.07 |
| 2024-08-31 | 0.57 | -0.02 |
| 2024-09-30 | 0.56 | -0.01 |
| 2024-10-31 | 0.51 | -0.05 |
| 2024-11-30 | 0.52 | +0.01 |
| 2024-12-31 | 0.53 | 0.00 |
| 2025-02-28 | 0.42 | -0.10 |
| 2025-03-31 | 0.43 | +0.01 |
| 2025-04-30 | 0.41 | -0.02 |
| 2025-05-31 | 0.42 | +0.01 |
| 2025-06-30 | 0.44 | +0.02 |
| 2025-07-31 | 0.58 | +0.14 |
| 2025-08-31 | 0.58 | 0.00 |
| 2025-09-30 | 0.58 | 0.00 |
| 2025-10-31 | 0.75 | +0.17 |
| 2025-11-30 | 0.70 | -0.05 |
| 2025-12-31 | 0.71 | +0.01 |
| 2026-02-28 | 0.59 | -0.12 |
| 2026-03-31 | 0.63 | +0.03 |
| 2026-04-30 | 0.76 | +0.14 |
| 2026-05-31 | 0.71 | -0.05 |
| 2026-06-30 | 0.72 | 0.00 |
| 2026-07-31 | 0.80 | +0.09 |
| 2026-08-31 | 0.83 | +0.02 |
| 2026-09-30 | 0.83 | 0.00 |

## 정의

한국 실질 GDP 나우캐스트 KRGDPNOW는 분기 실질 GDP 전기비 성장률을 월별 실물활동 지표로부터 실시간에 가깝게 추정하는 혼합주기 동태요인모형(MF-DFM)의 의사 실시간 평활 추정치이다. 이 모형은 단일 잠재 경기상황 요인 $f_t$가 월별·분기별 지표를 동시에 구동한다고 보고, 분기 GDP를 미관측 월별 GDP 성장률의 가중 이동평균으로 읽는다(Mariano and Murasawa 2003). 사양 전체는 Giannone, Reichlin, and Small (2008)이 정립한 나우캐스팅 절차를 한국 자료에 적용한 구현이다.

패널은 한국 자료가 안정적으로 갖춰지는 2008년 7월부터 시작하는 8개 시리즈로 구성된다. 월별 블록은 (i) 고용지수 SA, (ii) 광공업생산지수 SA, (iii) 소매판매액 SA, (iv) 서비스업생산 SA, (v) 통계청 동행지수 순환변동치, (vi) 한국은행 BSI 제조업 업황전망, (vii) 한국은행 CSI 소비자심리지수의 7개이고, 분기 블록은 실질 GDP 전기비(계절조정)이다.

시점지평은 평가일의 위치로 정의한다. 대상 분기가 끝난 뒤 GDP가 공표되기 전까지는 backcast, 평가일이 대상 분기 안에 있으면 nowcast, 평가일이 대상 분기 시작 전이면 forecast로 분류한다. 이 분류는 Giannone, Reichlin, and Small (2008)이 도입한 표준을 따른다.

본 지표는 예측이 아니라 시점별 정보집합에 조건부인 GDP 성장률의 기대치이다. 나우캐스트의 상승은 새로 들어온 지표가 당분기 성장세의 상향을, 하락은 하향을 가리킨다는 뜻이며, 값 자체는 분포의 중심 경향을 측정한다.

## 산출방법

잠재 요인 $f_t$와 월별 관측 벡터 $y_t^m$, 분기 관측 $y_t^q$에 대해 모형은

$$y_t^m = \Lambda^m f_t + \varepsilon_t^m$$

$$y_t^q = \Lambda^q \sum_{j=0}^{2} w_j f_{t-j} + \varepsilon_t^q$$

$$f_t = A_1 f_{t-1} + u_t,\quad u_t \sim \mathcal{N}(0, Q)$$

$$\varepsilon_{i,t} = \rho_i \varepsilon_{i,t-1} + \eta_{i,t},\quad \eta_{i,t} \sim \mathcal{N}(0, \sigma_i^2)$$

로 표시된다. 분기 흐름 변수의 시간 집계 가중 $w_j$는 Mariano and Murasawa (2003)의 분기 흐름 사양을 따른다.

추정은 혼합주기 상태공간 요인모형의 EM 알고리즘으로 수행하며, 다음 사양을 채택한다. **(1) 입력 변환.** 추세가 있는 월별 지표 네 종(고용지수 SA, 광공업생산지수 SA, 소매판매액 SA, 서비스업생산 SA)은 로그 1차 차분으로 변환하여 백분율 성장률 단위로 모형에 투입하고, 동행지수 순환변동치는 정의상 추세 제거된 변수이므로 수준 그대로 투입하며, BSI 제조업 업황전망과 CSI 소비자심리지수도 설문 단위 수준 그대로 투입한다. 분기 실질 GDP는 이미 전기비 백분율 단위로 공표되므로 별도 변환 없이 분기 입력으로 배정한다. **(2) 표준화와 사양.** 표준화로 표본 평균 0과 분산 1로 정규화하여 척도 단위를 제거하고, 1개 요인, 요인 AR(1), 특이오차 AR(1)의 사양에 분기 입력으로 분기 GDP를 분리 투입한다. **(3) EM 적합.** Bańbura and Modugno (2014)의 EM 알고리즘으로 최대 500회 반복 적합하며, PCA 기반 결정론적 초기화를 사용한다.

공표 시차 마스크는 입력 시리즈마다 평가일 $d$에서 마지막 가용 관측을 $d - L_i$ 시점까지로 정의한다. 본 사이트의 시차값은 GDP 28일, 고용지수 13일, 광공업·소매·서비스·동행지수 30일, BSI·CSI 0일이다. 의사 실시간 백테스트는 2013년 1월 1일부터 시작하는 월별 격자로 진행하고 각 평가일에 시차 마스크가 적용된 패널로 모형을 적합한다. 연간 재추정은 매 1월 초의 평가일에 모수를 새로 적합하고, 동년 내의 평가일에는 동일 모수를 새 패널 위에서 평활만 수행하는 규율이다. 이는 Bok et al. (2018)의 뉴욕 나우캐스트 운영 사양과 정합적이다.

뉴스 분해는 Bańbura and Modugno (2014)의 칼만 평활자 가중치 분해를 직접 구현하며 분해 규약은 Bok et al. (2018)의 §III을 따른다. 두 평가일 $d_{t-1}$과 $d_t$ 사이의 나우캐스트 변화

$$\Delta \hat{y}_{q,t} = \hat{y}_{q,t}^{(d_t)} - \hat{y}_{q,t}^{(d_{t-1})}$$

는 각 소스 시리즈 $i$의 데이터 서프라이즈 $\nu_{i,t}$(실제값에서 직전 평가일 모형의 예상값을 뺀 값)와 $d_{t-1}$ 평가일 모형의 칼만 이득 $w_{i,t}$의 곱의 합으로 분해된다. 즉

$$\Delta \hat{y}_{q,t} = \sum_i w_{i,t} \nu_{i,t}$$

로 표시되며, 분해의 가법성은 항등식이다.

벤치마크 비교는 세 채널이다. **(1) Random Walk(RW)** 는

$$\text{RW}(q) = y_{q-1}$$

로 정의되어 직전 분기 실현 GDP가 다음 분기 나우캐스트라는 가장 단순한 한 기 시차 자기상관 모형이고, Atkeson and Ohanian (2001)이 미국 인플레이션의 강력한 벤치마크로 제시한 사양을 GDP 성장률 변수에 차용했다. **(2) AR(2)** 는 평가일에서 가용한 분기 GDP 시계열에 한 기·두 기 시차를 회귀하여 한 기 앞 예측을 추출하며, 추가 정보를 사용하지 않는 가장 단순한 단변수 시계열 벤치마크이다. **(3) Last-observed** 는 평가일에서 가장 최근에 공표된 분기 GDP를 나우캐스트로 보고하는 사양으로, backcast 지평에서는 정의상 오차가 0이다.

표본은 2008년 7월부터 시작하며 백테스트 격자는 2013년 1월 1일부터 시작한다. EM 알고리즘은 결정론적이지만 BLAS 구현에 민감하므로 OPENBLAS_NUM_THREADS=1을 강제하고 교차 플랫폼 스냅샷이 나우캐스트 시계열을 BLAS 간 드리프트를 잡는 게이트로 보관한다.

## 경제학에서의 응용

나우캐스팅은 정보집합이 시간에 따라 비균질하게 확장된다는 사실을 명시적으로 모형화해 GDP의 조건부 기대치를 추출하는 절차이다(Giannone, Reichlin, and Small 2008). 본 KRGDPNOW는 그 사양을 한국 자료에 그대로 적용한 구현이다. 이 전통은 Bańbura, Giannone, and Reichlin (2011)이 표준 참고문헌으로 정리했고, Bańbura et al. (2013)이 나우캐스팅 환경에서 자료 흐름과 빈티지의 역할을 자세히 다루었다.

KRGDPNOW의 사양은 동태요인 모형의 확립된 계보 위에 있다. Stock and Watson (1989)의 동태요인 동행지수 골격에 Mariano and Murasawa (2003)의 분기 흐름 시간 집계를 더해 분기 GDP를 미관측 월별 요인으로 읽는 것이 이 사양의 핵심 분해이다. 이 구성은 Mariano and Murasawa (2010)에서 더 풍부한 패널로 일반화되고 Forni et al. (2000)의 일반화 동태요인 모형이 외적 앵커 역할을 한다. 칼만 필터링 식별과 정상 상태 표현은 Hamilton (1994)이 정리한 표준 상태공간 형식을 따른다. 잠재 요인의 차원 결정은 Bai and Ng (2002)의 정보 기준을 채택한 전통적 패널 요인 분석과 정합적이다.

추정에는 Bańbura and Modugno (2014)의 임의 결측 패턴 EM 알고리즘을 사용하며, 이는 Doz, Giannone, and Reichlin (2011)의 동태요인 모형 ML 추정과 Doz, Giannone, and Reichlin (2012)의 대규모 패널 QML 접근을 EM으로 구현한 것이다. 이 처리는 한국 월별 패널의 일곱 시리즈와 분기 GDP가 서로 다른 공표 시차로 들어온다는 운용상 특성에서 특히 중요하다. EM이 모든 관측을 본래 시점에서 우도에 넣어주므로 가장 늦은 시리즈에 맞춰 시작점을 잘라 균형 패널을 강제할 필요가 없으며, 광공업 한 시리즈에 한 달의 결측이 있어도 그 달의 다른 시리즈가 정보를 실어 나른다.

본 KRGDPNOW의 운영 사양은 미 연준 뉴욕 나우캐스트와 정합한다. Bok et al. (2018)이 공표한 뉴욕 연준의 정식 사양은 2024년 운영 종료 전까지 유지되었다. KRGDPNOW는 그 한국 적용판으로 잠재 요인 수, AR(1) 동학, AR(1) 특이오차, Mariano-Murasawa 분기 흐름 시간 집계, EM 적합 규율, 뉴스 분해의 칼만 가중치 항등식이 모두 일치한다. 다른 운영 사양으로는 Higgins (2014)의 애틀랜타 연준 GDPNow가 회귀 기반이고 Knotek and Zaman (2014)의 클리블랜드 연준 사양이 판단을 반영하는 데 반해, KRGDPNOW는 상태공간 사양을 채택하며 그 이유는 칼만 평활자가 시점별 정보집합의 비균질성을 자연스럽게 처리하기 때문이다.

의사 실시간 백테스트는 빈티지 자료가 없는 한국 환경에서 공표 시차 마스크를 대신 사용한다. 빈티지 자료의 운용상 정의는 Croushore (2011)가 정리했고, 빈티지 자료가 나우캐스트 평가에 미래 정보를 참조하지 않는 환경을 제공한다는 점은 Stark (2008)가 보였다. 한국은 공식 빈티지가 운용 가능한 형태로 공개되지 않으므로 KRGDPNOW는 각 평가일에 시차 마스크를 적용하며, 이는 한국 자료 환경의 운용상 제약이다. 시차 마스크는 자료 갱신은 무시하되 자료 추가 시점은 정확히 모형화하므로 빈티지 자료의 정보 일부를 보존한다.

본 사이트의 백테스트에서 KRGDPNOW는 nowcast 지평에서 랜덤워크 대비 약 35%, AR(2) 대비 약 10%의 RMSFE 개선을 보인다. 이 개선폭은 Giannone, Reichlin, and Small (2008)이 유로존 자료에서 보인 30%대의 RMSFE 개선과 같은 규모이며, Bok et al. (2018)이 미국 자료에서 보인 RMSFE 개선과도 비교할 만하다. backcast 지평에서는 last-observed가 정의상 오차가 0이므로 비교 대상은 랜덤워크와 AR(2)이며, forecast 지평으로 갈수록 정보집합이 좁아지므로 정확도 이득이 자연스럽게 줄어든다.

KRGDPNOW는 GDP 분포의 중심 경향을 측정하며, 인접 지표들과 측정 대상이 명확히 구분된다. 본 지표는 시점별 정보집합에 조건부인 GDP 성장률의 기대치이고, 그 분포의 꼬리 모멘트는 본 사이트의 GDP-at-Risk 채널 KRGAR(Adrian, Boyarchenko, and Giannone 2019)가 추정한다. KRADS(Aruoba, Diebold, and Scotti 2009)가 동행 모멘텀 요인인 데 반해 KRGDPNOW는 GDP 성장률 자체의 조건부 기대치이므로 측정 대상이 다르며, 두 지표를 함께 산출하는 이유는 모멘텀 게이지와 GDP 성장률의 분리된 독해가 거시 평가에서 의미 있는 정보 분리이기 때문이다.

## 금융시장에서의 응용

KRGDPNOW는 한국 거시 위험 평가의 중심 경향 입력으로 자연스럽게 자리한다. 본 사이트의 GDP-at-Risk 채널 KRGAR(Adrian, Boyarchenko, and Giannone 2019)가 GDP 분포의 꼬리를 추정한다면, KRGDPNOW는 그 분포의 중심을 시점별 정보집합으로 추정하며, 두 지표를 함께 읽으면 거시 환경의 중심 경향과 하방 위험을 분리해 평가할 수 있다. Giannone, Reichlin, and Small (2008)이 정립한 나우캐스팅 전통에서 본 지표는 모든 위험 평가에 선행하는 기초 입력이다.

한국 채권 시장에서 KRGDPNOW는 두 채널을 통해 의미를 갖는다. 첫째, GDP 성장률은 한국은행 정책 반응함수의 핵심 입력이다. Taylor (1993)이 정립한 정책 반응함수에서 산출갭은 정책금리의 주요 결정변수이며, KRGDPNOW가 담고 있는 GDP 성장률 정보는 정책금리 경로의 단기 갱신에 쓸 수 있다. 둘째, 한국은행 통화정책방향 의결문이 통상 인용하는 "성장세"는 분기 자료에 의존하는 묘사이다. KRGDPNOW의 월별 갱신은 통화정책 결정 시점의 정책 반응함수 입력을 한 분기 더 빠르게 갱신하게 한다.

뉴스 분해는 시장 충격 시점에 어떤 자료 입력이 GDP 나우캐스트를 얼마나 갱신했는지를 정량화하는 도구이다(Bok et al. 2018). 본 사이트는 이를 두 형태로 제공하며, 시계열 형태는 평가일별 나우캐스트 경로에 실현 GDP를 겹쳐 표시하고, 뉴스 분해 형태는 가장 최근 12개월의 소스 시리즈별 기여도를 매월 갱신해 사용자에게 직접 제시한다. 이로써 광공업생산지수의 한 달치 서프라이즈가 GDP 나우캐스트를 몇 베이시스 포인트 움직였는지를 명시적으로 읽을 수 있으며, 이는 자료 발표 시점의 시장 반응을 평가하는 데 쓰인다.

뉴욕 연준 나우캐스트는 미국 시장의 표준 GDP 나우캐스트였다. Bok et al. (2018)이 정리한 이 사양은 2024년 운영 종료 후에도 학계 표준으로 인용되며, 본 KRGDPNOW는 그 한국 적용판이다. Higgins (2014)의 GDPNow가 회귀 기반의 다른 미국 구현인 데 반해 KRGDPNOW는 상태공간 사양의 한국 구현이고, Knotek and Zaman (2014)의 클리블랜드 연준 사양과의 차이도 같으며 KRGDPNOW는 판단 반영을 배제한다.

운영상 유의점이 세 가지 있다. 첫째, 한국에는 운용 가능한 공식 GDP 빈티지가 없으므로 본 사이트의 의사 실시간 백테스트는 시차 마스크를 사용한다. 이는 Croushore (2011)와 Stark (2008)가 정의한 빈티지 표준의 운용상 근사이다. Diebold and Mariano (1995)이 정의한 동등 정확도 검정의 통상 응용에서 이 근사가 결과를 편향시키지 않음은 Doz, Giannone, and Reichlin (2011)이 EM 추정의 점근 정당성과 함께 정리한다. 둘째, 패널 시작이 2008년 7월이므로 1997년 외환위기와 2003년 카드사태 등은 본 지표로 평가할 수 없으며, 백테스트 격자는 2013년 1월 1일부터 시작한다. 셋째, 2020Q2 COVID-19 충격은 분포의 꼬리 관측이므로 Stock and Watson (2016)이 분리 처리를 권고한 표본 외 이상치 처리 관행에 따라 RMSFE 집계에서 별도로 표시한다. 이 세 한계는 모든 나우캐스트 사양에 공통된 일반 한계이며, Bańbura, Giannone, and Reichlin (2011)의 나우캐스팅 표준 참고문헌과 Bańbura et al. (2013)의 자료 흐름 처리에서 동일한 규율로 다루어진다.

## 통계적 검정

KRGDPNOW는 전기 대비 실질 GDP 나우캐스트이며, 모형에서 도출한 성장률 대상으로 2013-01-31부터 2026-06-30까지 공표 경로의 455개 관측치를 상수·추세 설정에서 검정한다. Said and Dickey (1984)의 시차 보강을 적용한 Dickey and Fuller (1979) 증강 검정은 p = 0.025로 단위근을 기각하고, Phillips and Perron (1988) 검정은 p = 0.000으로 기각하며, KPSS 검정은 p > 0.10에서 정상성을 기각하지 못하여(Kwiatkowski et al. 1992) 세 절차가 명확한 I(0) 분류에 합치한다.

명확한 I(0) 판정에서 수준이 정상 대상이므로 그 평균 변화점은 인용 가능하다. Bai and Perron (1998) 절차를 Bai and Perron (2003)의 알고리즘으로 계산하면 2019-03-31, 2021-03-31, 2023-03-31의 세 평균 이동이 위치하며, 세 시점 모두 분기 경계에 놓이고 확률적 추세의 단절이 아니라 정상 계열의 수준 이동으로 읽힌다(Perron 1989). 정상 수준에서 Ljung and Box (1978) 포트맨토는 시차 12와 시차 24에서 모두 p = 0.000으로 무자기상관 귀무가설을 기각하여 나우캐스트 경로의 높은 지속성을 확인한다.

나우캐스트에는 실현 대상이 있으므로 그 정직한 보완은 145개 분기 예측·실현 쌍에 걸친 실현치 대비 예측 평가이다. Harvey, Leybourne, and Newbold (1997)의 소표본 보정을 적용한 Diebold and Mariano (1995) 검정을 단순 임의보행 기준선 대비 손실 차이에 대해 Newey and West (1987) HAC로 계산하면 평균 손실 차이 −0.5738, 통계량 −2.53, p = 0.012를 얻으므로 나우캐스트가 단순 기준선을 유의하게 능가한다. 실현치를 나우캐스트에 회귀한 Mincer and Zarnowitz (1969) 효율성 회귀는 절편 0.5554, 기울기 0.1507을 반환하고, 불편성의 결합 Wald 검정은 F = 4.68, p = 0.096을 반환하여 이 표본에서 5퍼센트 수준에서 불편성을 기각하지 못한다.

나우캐스트는 원자료 단계에서 계절조정된 전기 대비 성장률을 대상으로 하므로 달력 계절 성분이 정의되지 않아 계절 주파수 검정군은 적용되지 않으며 수행하지 않았다(Ghysels and Osborn 2001).

## 자주 묻는 질문

### 실질 GDP 나우캐스트는 무엇을 추정합니까?

이미 진행 중이지만 아직 공표되지 않은 분기의 실질 성장률을, 월별 실물활동 지표를 투입한 혼합주기 동태요인모형으로 실시간에 가깝게 추정합니다.

### GDP 나우캐스트와 경제 전망은 어떻게 다릅니까?

나우캐스트는 이미 실현되었으나 아직 측정되지 않은 값을 추정하고, 전망은 아직 일어나지 않은 기간을 다룹니다. 공식 통계가 공표되는 순간 나우캐스트의 역할은 끝납니다.

### 나우캐스트 뉴스 분해는 무엇을 알려 줍니까?

추정치가 갱신될 때마다 그 변화를 원인이 된 개별 공표에 귀속시킵니다. 값이 움직였다는 사실만이 아니라 어떤 지표가 얼마나 움직였는지를 분리해 볼 수 있습니다.