بررسی عملکرد رگرسیون داده های ترکیبی با تواتر متفاوت در پیش بینی تورم فصلی ایران

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 158

فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ECOJ-7-25_002

تاریخ نمایه سازی: 11 آبان 1400

چکیده مقاله:

این مطالعه به بررسی قدرت پیش بینی مدل های خودرگرسیون با داده های با تواتر متفاوت در پیش بینی نرخ تورم فصلی برای اقتصاد ایران می پردازد. به این منظور، دقت پیش بینی مدل های خودرگرسیونی که از وقفه های ماهانه نرخ تورم استفاده می کنند در برابر مدل پایه ای که از اطلاعات فصلی تغذیه می کند، مقایسه شده است. نتایج نشان می دهد که استفاده از مشاهدات ماهانه نرخ تورم در پیش بینی تورم فصلی غالبا منجر به بهبود دقت نتایج در پیش بینی تورم شده است. این بهبود بطور ویژه خود را در پیش بینی یک گام به جلو نشان می دهد. در میان الگو های مورد بررسی، رگرسیون های میداس عمدتا در افق های پیش بینی یک گام، سه گام و چهار گام به جلو نسبت به مدل پایه از دقت بالاتری برخوردار بوده اند. مدل وزن دهی گام به گام که دارای تعداد پارامترهای زیادی است، نسبت به مدل رگرسیون میداس که دارای ویژگی های غیرخطی و تعداد پارامتر محدودتری است، پیش بینی های نسبتا دقیق تری ارائه کرده است. 

نویسندگان

سید مهدی برکچیان

گروه اقتصاد دانشکده مدیریت و اقتصاد دانشگاه صنعتی شریف

محمد حسین رضائی

کارشناس ارشد علوم اقتصادی دانشکده مدیریت و اقتصاد دانشگاه صنعتی شریف

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 :
  • Andreou, E., Ghysels, E., & Kourtellos, A. (۲۰۱۰). Regression Models ...
  • Andreou, E., Ghysels, E., & Kourtellos, A. (۲۰۱۳). Should macroeconomic ...
  • Armesto, M. T., Engemann, K. M., & Owyang, M. T. ...
  • Atrianfar, H., & Barakchian, S. M. (۲۰۱۴). Evaluation of the ...
  • Barakchian, S. M., & Rezaei, M. (۲۰۱۵). Introduction and Performance ...
  • Barakchian, S. M., Karami, H., & Bayat, S. (۲۰۱۴). Forecasting ...
  • Bayat, M., & Noferesti, M. (۲۰۱۵). Applied Time Series Econometrics: ...
  • Bayat, S., & Barakchian, S. M. (۲۰۱۴). Inflation Forecasting Using ...
  • Ghysels, E., Rubia, A., & Valkanov, R. (۲۰۰۹). Multi-Period Forecasts ...
  • Ghysels, E., Santa-Clara, P., & Valkanov, R. (۲۰۰۵). There Is ...
  • Ghysels, E., Santa-Clara, P., & Valkanov, R. (۲۰۰۶). Predicting volatility: ...
  • Ghysels, E., Sinko, A., & Valkanov, R. (۲۰۰۷). MIDAS Regressions: ...
  • Harvey, D., Leybourne, S., & Newbold, P. (۱۹۹۷). Testing the ...
  • An Alternative VAR Model for Forecasting Iranian Inflation: An Application of Bewley Transformation [مقاله ژورنالی]
  • Karami, H., & Barakchian, S. M. (۲۰۱۴). Evaluation of Autoregressive ...
  • Molabahrami, A., Khodavaisi, H., & Hossaini, R. (۲۰۱۳). Forecasting Inflation ...
  • Moshiri, S. (۲۰۰۰-۲۰۰۱). Forecasting Iranian Inflation Rates Using Structural, Time ...
  • Nijman, T., & Palm, F. (۱۹۹۰). Parameter identification in ARMA ...
  • Noferesti, M., & Bayat, M. (۲۰۱۵). Forecasting Iranian's Economic Growth ...
  • Shahikitash, M., Molaee, S., & Hallajzadeh, Z. (۲۰۱۴). Forecasting Inflation ...
  • Silvstrini, A., & Veredas, D. (۲۰۰۸). Temporal aggregation of unive- ...
  • Taiebnia, A., Amiri, H., & Ravishi, F. (۲۰۱۴). The New ...
  • Zarra-Nezhad, M., & Hamid, S. (۲۰۰۹). Prediction of Inflation Rates ...
  • نمایش کامل مراجع