بررسی عملکرد رگرسیون‌ داده‌های ترکیبی با تواتر متفاوت در پیش‌بینی تورم فصلی ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه اقتصاد دانشکده مدیریت و اقتصاد دانشگاه صنعتی شریف

2 کارشناس ارشد علوم اقتصادی دانشکده مدیریت و اقتصاد دانشگاه صنعتی شریف

چکیده

این مطالعه به بررسی قدرت پیش‌بینی مدل‌های خودرگرسیون با داده‌های با تواتر متفاوت در پیش‌بینی نرخ تورم فصلی برای اقتصاد ایران می‌پردازد. به این منظور، دقت پیش‌بینی مدل‌های خودرگرسیونی که از وقفه‌های ماهانه نرخ تورم استفاده می‌کنند در برابر مدل‌ پایه‌ای که از اطلاعات فصلی تغذیه می‌کند، مقایسه شده‌ است. نتایج نشان می‌دهد که استفاده از مشاهدات ماهانه نرخ تورم در پیش‌بینی تورم فصلی غالبا منجر به بهبود دقت نتایج در پیش‌بینی تورم شده است. این بهبود بطور ویژه خود را در پیش‌بینی‌ یک گام به جلو نشان می‌دهد. در میان الگو‌های مورد بررسی، رگرسیون‌های میداس عمدتا در افق‌های پیش‌بینی یک گام، سه گام و چهار گام به جلو نسبت به مدل پایه از دقت بالاتری برخوردار بوده‌اند. مدل وزن‌دهی گام به گام که دارای تعداد پارامترهای زیادی است، نسبت به مدل رگرسیون میداس که دارای ویژگی‌های غیرخطی و تعداد پارامتر محدودتری است، پیش‌بینی‌های نسبتا دقیق‌تری ارائه کرده است. 

کلیدواژه‌ها

عنوان مقاله [English]

Evaluation of Mixed-Frequency Regressions in Forecasting Seasonal Inflation Rate of Iran

نویسندگان [English]

  • Seyed Mehdi Barakchian 1
  • Mohammad Hossein Rezaei 2
1 Department of Economics, Graduate School of Management and Economics, Sharif University of Technology
2 MA in Economics, Graduate School of Management and Economics, Sharif University of Technology
چکیده [English]

This paper evaluates the predictive ability of mixed-frequency autoregressive models in forecasting seasonal inflation rate of IRAN economy. For this, forecasting accuracy of models with monthly lags of inflation rate are compared with a benchmark model which uses seasonal lags. Results indicate incorporating monthly lags, instead of seasonal lags, improves the accuracy of seasonal forecasts, especially for 1-step ahead forecasts. Among mixed-frequency models, MIDAS regressions are more accurate than the benchmark model in 1-step, 3-step and 4-step ahead forecasts. Step-weighting model which features proliferation of parameters outperforms the MIDAS regression which is non-linear and parameter efficient in estimation.

کلیدواژه‌ها [English]

  • Forecasting Inflation
  • MIDAS Regression
  • Autoregressive Models

مراجع

-    Andreou, E., Ghysels, E., & Kourtellos, A. (2010). Regression Models with Mixed Sampling Frequencies. Journal of Econometrics, 158(2), 246-261.
-     Andreou, E., Ghysels, E., & Kourtellos, A. (2013). Should macroeconomic forecasters use daily financial data and how? Journal of Business & Economic Statistics, 31(2), 240-251.
-     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.
-     Atrianfar, H., & Barakchian, S. M. (2014). Evaluation of the Performance of Combined Methods in Real-time Forecasting of Inflation in Iran. Money and Banking Research, 6(18), 23-57. (In Persian)
-     Barakchian, S. M., & Rezaei, M. (2015). Introduction and Performance Comparison of some Common Multi-period VaR Forecasting Methods: A Case Study of the Tehran Stock Exchange. Iranian Journal of Economic Research(60), 1-35. (In Persian)
-     Barakchian, S. M., Karami, H., & Bayat, S. (2014). Forecasting Inflation Rate of Iran Using Phillips Curve. MBRI Working Paper(93016). (In Persian)
-     Bayat, M., & Noferesti, M. (2015). Applied Time Series Econometrics: Mixed Frequency Data Sampling Model. Hamedan: Noor-e-Elm. (In Persian)
-     Bayat, S., & Barakchian, S. M. (2014). Inflation Forecasting Using Disaggregation of CPI Component. Journal of Monetary and Banking Research, 7(19), 44-59. (In Persian)
-     Ghysels, E., Rubia, A., & Valkanov, R. (2009). Multi-Period Forecasts of Volatility: Direct, Iterated, and Mixed-Data Approaches. SSRN Working Paper(1344742).
-     Ghysels, E., Santa-Clara, P., & Valkanov, R. (2005). There Is A Risk-Return Tradeoff After All. Journal of Financial Economics, 76, 509-548.
-     Ghysels, E., Santa-Clara, P., & Valkanov, R. (2006). Predicting volatility: getting the most out of return data sampled at different frequencies. Journal of Econometrics, 131, 59-95.
-     Ghysels, E., Sinko, A., & Valkanov, R. (2007). MIDAS Regressions: Further results and new directions. Econometric Reviews, 26(1), 53-90.
-     Harvey, D., Leybourne, S., & Newbold, P. (1997). Testing the equality of prediction mean squard errors. International Journal of forecasting, 13, 281-291.
-     Heidari, H. (2011). An Alternative VAR Model for Forecasting Iranian Inflation: An Application of Bewley Transformation. Iranian Journal of Economic Research, 16(46), 77-96. (In Persian)
-     Karami, H., & Barakchian, S. M. (2014). Evaluation of Autoregressive Models in Forecasting Inflation Rate of Iran. MBRI Working Paper(9212). (In Persian)
-     Molabahrami, A., Khodavaisi, H., & Hossaini, R. (2013). Forecasting Inflation based on Stochastic Differential Equations and Alternative Models (A Comparative Study). The Economic Research (Scientific Research Quarterly), 13(1), 25-46. (In Persian)
-     Moshiri, S. (2000-2001). Forecasting Iranian Inflation Rates Using Structural, Time Series, and Artificial Neural Networks Models. Tahghighat-e-eghtesadi(58), 147-184. (In Persian)
-     Nijman, T., & Palm, F. (1990). Parameter identification in ARMA processes in the presence of regular but incomplete sampling. Journal of Time Series Analysis, 11(3), 239-248.
-     Noferesti, M., & Bayat, M. (2015). Forecasting Iranian's Economic Growth Using Mixed Frequency Data Sampling Technique. Quarterly Journal of Economics and Modeling Shahid Beheshti University, 4(14 & 15). (In Persian)
-     Shahikitash, M., Molaee, S., & Hallajzadeh, Z. (2014). Forecasting Inflation and Price Index with Neural Network. Quarterly Journal of The Macro and Strategic Policies, 1(4), 51-67. (In Persian)
-     Silvstrini, A., & Veredas, D. (2008). Temporal aggregation of unive- riate and multivariate time series models: A survey. Journal of Economic Surveys, 22(3), 458-497.
-     Taiebnia, A., Amiri, H., & Ravishi, F. (2014). The New Keynesian Phillips Curve and Forecasting Inflation. Journal of Planning and Budgeting, 18(4), 3-26. (In Persian)
-     Zarra-Nezhad, M., & Hamid, S. (2009). Prediction of Inflation Rates in Iran Using Dynamic Artificial Neural Network (Time Series Approach). Quarterly Journal of Quantitative Economics, 6(1), 145-167. (In Persian)
 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار