پیش‌بینی رشد اقتصادی ایران به کمک الگوی داده‌های ترکیبی با تواتر متفاوت

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار دانشکده‌ی علوم اقتصادی و علوم سیاسی دانشگاه شهید بهشتی

2 کارشناس ارشد علوم اقتصادی دانشگاه شهید بهشتی

چکیده

رشد اقتصادی که در این مقاله توسط رشد تولید ناخالص داخلی به قیمت عوامل اندازه‌گیری شده، عمده­ترین متغیری است که می­توان بر اساس آن عملکرد کلی اقتصاد را مورد قضاوت قرار داد. پیش­بینی این رشد به مسئولین اقتصادی کمک می­کند تا تصویری از شرایط آینده اقتصاد را در اختیار داشته و در صورت لزوم سیاست­های اقتصادی خاصی را اتخاذ نمایند. در این مقاله با استفاده از روشی که اخیرا توسط گیزلز، سانتاکلارا و والکانو در سال2004 ابداع شده­است به پیش­بینی رشد اقتصادی به صورت فصلی پرداخته شده است. این روش که «الگوی داده­های ترکیبی با­تواتر متفاوت (میداس) » نام گرفته است امکان می­دهد تا متغیرهای با تواتر زمانی مختلف، مثلا فصلی، ماهانه و هفتگی بتوانند در کنار هم در یک معادله رگرسیونی قرار گیرند. حسن وجود متغیرهای توضیح دهنده با تواتر زیاد برای توضیح متغیر وابسته کم­تواتر در این است که به محض انتشار داده­های جدیدی برای متغیرهای پرتواتر می­توان در مقدار پیش­بینی متغیر کم­تواتر تجدید نظر کرد. مقایسه پیش­بینی­های ارائه شده توسط الگوی برآورد­شده در این مقاله برای رشد تولید ناخالص ­داخلی با داده­های­واقعی فصل­هایی که در برآورد اولیه الگو مورد استفاده قرار نگرفته­اند حاکی از قدرت پیش­بینی بسیار دقیق الگو است. این الگو نرخ رشد اقتصادی فصل پاییز سال 1393 را در برآورد اولیه 8/1 % و سپس با اطلاع از کاهش قیمت نفت در ماه­های اخیر نهایتا پس از تجدید نظر معادل 5/1% پیش‌بینی می­کند. این نرخ برای فصل زمستان سال 1393 به میزان 2/2- % پیش‌بینی شده است. بدین ترتیب پیش­بینی می­شود اقتصاد ایران در سال 1393 از رشدی معادل 9/1% برخوردار باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting Iranian’s Economic Growth Using Mixed Frequency Data Sampling Technique

نویسندگان [English]

  • mohammad noferesti 1
  • Mahboubeh Baiat 2
1 associate Professor of Economics, Shahid Beheshti University
2 M. A. Student, Shahid Beheshti University
چکیده [English]

Economic growth, measured by Gross Domestic Product rate of growth in this paper, is the most single indicator revealing the overall performance of the economy. Forecasting economic growth helps the policy makers to visualize the future state of the economy and undertake some policy actions if necessary. In this paper we use the recently introduced method by Ghysels, Santa-Clara and Valkanov (2004) to forecast economic seasonal growth rate.  This method, which is named Mixed frequency Data Sampling technique (MIDAS), facilitate the use of variables with different high and low frequencies in on regression. The presence of high frequency variables in the regression equation allows us to revise the previous forecasted value as soon as new data for the high frequency variable is released. Comparing the forecasts made by the regression with that of the retained growth rate observations, indicate that the forecasted values are very accurate.  An earlier prediction of economic growth rate for the fall of 1393 by the model is to be 1.8%. But as new monthly data for the high frequency explanatory variables became available, the forecasted value was revised to be 1.5%.  We predict the GDP growth rate for the winter of 1393 to be -0.11%. In such a case the Iranian annual economic growth rate would not be more than 2.3 percent relative to the year 1392.  

کلیدواژه‌ها [English]

  • Forecasting economic growth
  • Mixed frequency Data Sampling Model (MIDAS)
Alper, C.E., S. Fendoglu, and B. Saltoglu, (2008), Forecasting Stock Market Volatilities UsingMIDAS Regressions: An Application to the Emerging Markets, Discussion paper, MPRA Paper, 7460.
Andreou, Elena, Eric Ghysels, and Andros Kourtellos, (2010), Regression models with mixed sampling frequencies, Journal of Econometrics 158.
Armesto, M.T., K.M. Engemann, and M.T. Owyang, 2010, Forecasting with Mixed Frequencies, Federal Reserve Bank of St. Louis Review 92.
Bai, J., E. Ghysels, and J. Wright (2009), State space models and MIDAS regressions, Working paper, NY Fed, UNC and Johns Hopkins
Bessec, M. and Bouabdallah, O. (2014), Forecasting gdp over the business cycle in a multi-frequency and data-rich environment, Oxford Bulletin of Economics and Statistics. doi: 10.1111/obes.12069
Clements, M.P., A.B. Galvao, and J.H. Kim, (2008) Quantile forecasts of daily exchange rate returns from forecasts of realized volatility, Journal of Empirical Finance 15.
Clements, M., and A. Galvao, (2008), Macroeconomic Forecasting with Mixed Frequency Data: Forecasting US output growth, Journal of Business and Economic Statistics 26.
Clements, M., and A. Galvao (2009) Forecasting US Output Growth Using Leading Indicators:An Appraisal Using Midas Models,Journal of Applied Econometrics 24
Clements, M. and A. Galvao (2006) Macroeconomic forecasting with mixed frequency data: forecasting US output growth and inflation. Warwick Economic Research Paper No. 773,University of Warwick.
Engle, R. F., E. Ghysels, and B. Sohn, (2008), On the Economic Sources of Stock Market Volatility, Discussion Paper NYU and UNC.
Forsberg, L., and E. Ghysels, (2006), Why do absolute returns predict volatility so well?,Journal of Financial Econometrics 5.
Ghysels, E., P. Santa-Clara, and R. Valkanov; (2004) The MIDAS Touch: Mixed frequency Data Sampling Regressions, manuscript, University of NorthCarolina and UCLA.
Ghysels, E., A. Sinko, and R. Valkanov; (2006) MIDAS regressions: Further results and new directions, Econometric Reviews, 2007, 26
Ghysels, E., V. Kvedaras and V. Zemlys;(2014) Mixed Frequency Data Sampling Regression Models: the R Package midasr, Journal of Statistical Software.
Klein, L.R. and E. Sojo; (1989), Combinations of High and Low Frequency Data in Macroeconomic Models , in  L.R. Klein and J.Marquez (eds) , Economics in Theory & Practice:An Eclectic Approach.Kluwer Academic Publishers.pp 316
Kuzin, V., M. Marcellino, and C. Schumacher, (2011) MIDAS versus mixed-frequency VAR:Nowcasting GDP in the Euro Area. Deutsche Bundesbank Discussion Paper 07/2009.
Leon, A., J.M. Nave, and G. Rubio, 2007, The relationship between risk and expected return in Europe, Journal of Banking and Finance  31.
Marcellino, M., and C. Schumacher, (2010) Factor MIDAS for Nowcasting and Forecasting with Ragged-Edge Data: A Model Comparison for German GDP, , Oxford Bulletin of Economics and Statistics 72.
Tay, A. (2006) Financial Variables as Predictors of Real Output Growth, Discussion Paper SMU.
Tsui, A. K.  , C. Y. Xu, and Z. Y.  Zhang, (2013) Forecasting Singapore economic growth with mixed-frequency data, presented at 20th International Congress on Modelling and Simulation, Adelaide, Australia, 1–6 December 2013