مدلسازی با متغیرهای دوره تناوبی مختلط: مروری بر روش های گسترش یافته اخیر در اقتصادسنجی سری های زمانی

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 323

فایل این مقاله در 29 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JPBUD-24-2_001

تاریخ نمایه سازی: 11 اردیبهشت 1400

چکیده مقاله:

پژوهش‏های اقتصادسنجی نظری جدید بر این واقعیت متمرکز هستند که دوره تناوبی متفاوتی در سری‏ های زمانی وجود دارند. این گروه از پژوهش‏ ها به واسطه این‏که بر نقش اطلاعات در مدلسازی‏ های اقتصادی تاکید می‏ کنند، اهمیت قابل‏ توجهی دارند. در رویکرد رایج سری‏ های زمانی، برای فراهم شدن امکان مدلسازی اقتصادی متغیرها با تواتر متفاوت، تجمیع زمانی را به یک دوره تناوب یکسان تبدیل می‏ کنند. این کار یعنی، تجمیع زمانی متغیرهایی با دوره تناوب متفاوت به از بین رفتن اطلاعات موجود در سری زمانی با تواتر بالاتر منجر می‏ شود. پژوهش‏های دوره تناوب مختلط با ارائه راهکاری در جهت الگوسازی با متغیرهای دوره تناوب متفاوت، نیاز به تجمیع زمانی را در مدلسازی مرتفع می‏ کنند. به ‏ویژه این‏که نتیجه اصلی این شاخه از پژوهش‏ های اقتصادی قدرت توضیح‏ دهندگی بیش‏تر، پیش‏ بینی بهتر، و کارایی بیش‏تر در الگوهای مبتنی بر سری‏ های زمانی با تواتر متفاوت است. از این ‏رو، تلاش می‏ شود که با مروری بر پژوهش‏ های پیشین پیشرفت‏ ها و کاستی‏ های شاخه جدید اقتصادسنجی شناخته شود.

نویسندگان

ناصر خیابانی

Faculty of Economics, Allameh Tabataba'i University, Tehran. Iran

فاطمه رجبی

Allameh Tabataba'i University, Tehran. Iran.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Amemiya, T., & Wu, R. Y. (1972). The Effect of ...
  • Andreou, E., Ghysels, E., & Kourtellos, A. (2010). Regression Models ...
  • Bai, J., Ghysels, E., & Wright, J. H. (2013). State ...
  • Breitung, J., & Swanson, N. R. (2002). Temporal Aggregation and ...
  • Chambers, M. J. (2019). Frequency Domain Estimation of Continuous Time ...
  • Chen, X., & Ghysels, E. (2011). News-Good or Bad-and Its ...
  • Clements, M. P., & Galvão, A. B. (2008). Macroeconomic Forecasting ...
  • Del Barrio Castro, T., & Hecq, A. (2016). Testing for ...
  • Engle, R. F., & Kozicki, S. (1993). Testing for Common ...
  • Eraker, B., Chiu, C. W., Foerster, A. T., Kim, T. ...
  • Foroni, C., & Marcellino, M. (2014). Mixed-Frequency Structural Models: Identification, ...
  • Foroni, C., Ghysels, E., & Marcellino, M. (2013). Mixed-Frequency Vector ...
  • Forsberg, L., & Ghysels, E. (2007). Why Do Absolute Returns ...
  • Ghysels, E. (2016). Macroeconomics and the Reality of Mixed Frequency ...
  • Ghysels, E., & Miller, J. I. (2015). Testing for Co-Integration ...
  • Ghysels, E., & Wright, J. H. (2009). Forecasting Professional Forecasters. ...
  • Ghysels, E., Hill, J. B., & Motegi, K. (2016). Testing ...
  • Ghysels, E., Hill, J. B., & Motegi, K. (2018). Testing ...
  • Ghysels, E., Santa-Clara, P., & Valkanov, R. (2004). The MIDAS ...
  • Ghysels, E., Santa-Clara, P., & Valkanov, R. (2005). There is ...
  • Ghysels, E., Santa-Clara, P., & Valkanov, R. (2006). Predicting Volatility: ...
  • Ghysels, E., Sinko, A., & Valkanov, R. (2007). MIDAS Regressions: ...
  • Götz, T. B., & Hecq, A. (2014). Nowcasting Causality in ...
  • Götz, T. B., & Hecq, A. W. (2019). Granger Causality ...
  • Götz, T. B., Hecq, A., & Smeekes, S. (2016). Testing ...
  • Götz, T. B., Hecq, A., & Urbain, J. P. (2014). ...
  • Götz, T. B., Hecq, A., & Urbain, J.-P. (2013). Testing ...
  • Götz, T., & Hauzenberger, K. (2018). Large Mixed-Frequency VARs with ...
  • Horvath, M. T., & Watson, M. W. (1995). Testing for ...
  • Johansen, S. (1988). Statistical Analysis of Co-Integration Vectors. Journal of ...
  • Kuzin, V., Marcellino, M., & Schumacher, C. (2011). MIDAS vs. ...
  • Kvedaras, V., & Račkauskas, A. (2010). Regression Models with Variables ...
  • Lütkepohl, H. (1984). Forecasting Contemporaneously Aggregated Vector ARMA Processes. Journal ...
  • Marcellino, M. (1999). Some Consequences of Temporal Aggregation in Empirical ...
  • Marcellino, M., & Schumacher, C. (2010). Factor MIDAS for Nowcasting ...
  • Miller, J. I. (2014). Mixed-Frequency Co-Integrating Regressions with Parsimonious Distributed ...
  • Miller, J. I. (2016). Conditionally Efficient Estimation of Long-Run Relationships ...
  • Miller, J. I. (2019). Testing Co-Integrating Relationships Using Irregular and ...
  • Pettenuzzo, D., Timmermann, A., & Valkanov, R. (2016). A MIDAS ...
  • Qian, H. (2016). A Computationally Efficient Method for Vector Auto-Regression ...
  • Rodriguez, A., & Puggioni, G. (2010). Mixed Frequency Models: Bayesian ...
  • Schorfheide, F., & Song, D. (2015). Real-Time Forecasting with a ...
  • Vahid, F., & Engle, R. F. (1993). Common Trends and ...
  • Zadrozny, P. A. (2016). Extended Yule–Walker Identification of VARMA Models ...
  • نمایش کامل مراجع