پیش‌بینی نرخ تورم ماهانه: کاربرد الگوی تصحیح خطای داده‌های ترکیبی با تواتر متفاوت

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه اقتصاد، دانشکده علوم اقتصادی و سیاسی، دانشگاه شهید بهشتی

2 کارشناس ارشد اقتصاد دانشکده علوم اقتصادی و سیاسی دانشگاه شهید بهشتی

چکیده

در مقاله حاضر به منظور پیش‌بینی نرخ تورم ماهانه با استفاده از داده‌های سری زمانی نمونه گیری شده باتواترهای متفاوت، از الگوی تصحیح خطای میداس استفاده شده است. برای بررسی دقت پیش‌بینی الگو، نرخ تورم ماه‌های مهر و آبان سال 1395 در الگو مورد استفاده قرار نگرفته و مقادیر تورم این دو ماه پیش‌بینی شده‌ است. سپس به وسیله داده‌های هفتگی منتشر شده از متغیرهای توضیح دهنده، مقادیر این پیش‌بینی‌ها مورد تجدید نظر واقع شده‌است. در عین حال الگو برای ماه آذر 1395، یعنی آخرین ماهی که تا زمان تدوین این مقاله نرخ تورمی از سوی بانک مرکزی برای آن گزارش نشده است، یک پیش بینی اولیه و سه تجدید نظر با توجه به اطلاعات منتشر شده جدید انجام شده، و در نهایت این نرخ برابر 8/8 پیش‌بینی شده است. 

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting Monthly Inflation Rate: Application of ECM-MIDAS Model

نویسندگان [English]

  • Mohammad Noferesti 1
  • Mahboube Bayat 2
1 Department of Economics, Faculty of Economics and Political Sciences, Shahid Beheshti University
2 Department of Economics, Faculty of Economics and Political Sciences, Shahid Beheshti University,
چکیده [English]

This paper employs a mixed frequency error-correction model in order to forecast monthly inflation rate for variables sampled at different frequencies. It is shown that the precision of the model is confirmable according to out of sample predictions for months Mehr and Aban of 1395. The model is then used to predict the inflation rate of the month Azar of 1395 for which no data is released yet. The predicted inflation rate, after revising three times as new information become available through time, was turned out to be 8.8 percent.

کلیدواژه‌ها [English]

  • Error Correction Model
  • Forecasting
  • Inflation
  • Mixed Frequency
  • MIDAS
- Armesto, M.T., Engemann, K.M. & Owyang, M.T. (2010). Forecasting with Mixed Frequencies. Federal Reserve Bank of St. Louis Review, 92(6), 521-536.

- Bayat, M., & Noferesti, M. (2015). Applied Time Series Econometrics: Mixed Frequency Data Sampling Model. Noor-e-Elm Pub. (In Persian).

- Clements, M. & Galvao, A. (2006). Macroeconomic Forecasting with Mixed Frequency Data: Forecasting US Output Growth and Inflation.Working Economic Research Paper No.773.

- Clements, M., & Galvao, A. (2008). Macroeconomic Forecasting with Mixed Frequency Data: Forecasting US output growth. Journal of Business and Economic Statistics, 26(4), 546-554.

- Ghysels, E., Santa-Clara, P. & Valkanov, R. (2004). The MIDAS Touch: Mixed Frequency Data Sampling Regressions. Manuscript, University of NorthCarolina and UCLA, 76 (3), 509-548.

- Ghysels, E., Sinko, A. & Valkanov, R. (2006). MIDAS regressions: Further Results and New Directions. Econometric Reviews, 26, 53-90.

- Ghysels, E., Kvedaras, V. & Zemlys, V. (2014). Mixed Frequency Data Sampling Regression Models: the R Package Midasr. Journal of Statistical Software, 74(4), 1-35.

- Götz, T., & Hecq, A., & Urbain, J. (2014). Forecasting Mixed-Frequency Time Series with ECM-MIDAS Models. Journal of Forecasting, John Wiley & Sons, Ltd., 33(3), 198-213.

- Klein, L.R. & Sojo, E. (1989). Combinations of High and Low Frequency Data in Macroeconomic Models. in Economics in Theory & Practic: An Eclectic Approach, eds. Marquez, J. & Klein, L.R. (Kluwer, Dordrecht), 3-16.

- Leon, A., Nave, J.M. & Rubio, G. (2007). The Relationship between Risk and Expected Return in Europe. Journal of Banking and Finance, 6, 31-67.

- Moghaddasi, R., & Rajabi, M. (2014). Applying Regression Models with Mixed Frequency Data in Modeling and Prediction of Iran's Wheat Import Value (Generalized OLS-based ARDL Approach. Agricultural Economics & Development, 28(2), 138-148, (In Persian).

- Noferesti, M. (2000) Unite Root & Cointegration in Econometrics. Rasa Pub. (In Persian).

- Noferesti, M., & Bayat, M. (2013). Forecasting Iranian’s Economic Growth using Mixed Frequency Data Sampling Technique. Quarterly Journal of Economics and Modeling, Shahid Beheshti University, 4(14&15), 1-24, (In Persian).

- Tsui, A.K., Xu, C.Y. & Zhang, Z.Y. (2013). Forecasting Singapore Economic Growth with Mixed-Frequency Data. Presented at 20th International Congress on Modelling and Simulation, Adelaide, Australia, 1–6 December 2013.