Abstract:
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.
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.