Abstract:
بررسی شاخصهای اقتصاد کلان یکی از ابزارهای ضروری به منظور تعیین آثار سیاستهای اقتصادی، برنامهریزیها و سیاستگذاریهای کوتاهمدت، میانمدت و بلندمدت برای یک اقتصاد است. یکی از شاخصهای مهم در این زمینه شاخص قیمت تولیدکننده است. از این رو این مقاله به بررسی پیشبینی شاخص قیمت تولیدکننده در ایران با استفاده از دادههای سری زمانی فصلی در دوره زمانی 96-1369 با استفاده از روشهای گزینشینمودن (DMS) و متوسطگیری الگوی پویا (DMA) در سه افق پیشبینی (یک، چهار و هشت) میپردازد. در این گونه روشها نه تنها ضرایب بلکه الگوهای پیشبینی نیز در طول زمان تغییر میکنند. الگوهای مورد استفاده در این مطالعه(DMA، DMS، BMA، BVAR، TVP و AR) به سه طیف، بزرگ مقیاس (شامل 101 متغیر در نه بلوک عاملی)، متوسط مقیاس (شامل 6 متغیر) و الگوهای تک متغیره دستهبندی شدهاند. نتایج مطالعه نشان میدهد که پیشبینی الگوهای گزینشینمودن (DMS) و متوسطگیری الگوی پویا (DMA) نسبت به سایر رویکردهای در نظرگرفتهشده در این مقاله، دارای عملکرد پیشبینی بهتری برای شاخص قیمت تولید کننده در ایران هستند.
Studying macroeconomic indexes is one of the essential tools to determine the effects of economic policies, short-, medium- and long-run planning and policy makings for an economy. One of the important indexes in this area is the producer price index. Therefore, this paper investigates the forecasting of producer price index (PPI) in Iran using seasonal time series data over the period 1990-2017 (1369-1396) through Dynamic Model Selection (DMS) and Dynamic Model Averaging (DMA) in three forecast horizons (one, four, and eight seasonal). In such methods change not only the coefficients but also the forecasting models change over time. The models used in this study (DMA, DMS, BMA, BVAR, TVP and AR) were divided into three categories, large-scale (including 101 variables in nine factor blocks), middle-scale (including 6 variables), and univariate models. The results of the study indicated that forecasting DMS and DMA compared to other approaches considered in this study has an efficient forecasting performance for the producer price index in Iran
Machine summary:
نتايج مطالعه نشان مي دهد که پيش بيني الگوهاي گزينشينمودن و متوسط گيري الگوي پويا نسبت به ساير رويکردهاي در نظرگرفته شده در اين مقاله ، داراي عملکرد پيش بيني بهتري براي شاخص قيمت توليدکننده در ايران هستند.
ساختار اين مقاله به گونه اي است که در ابتدا به بررسي مباني نظري مرتبط با الگوهاي پيش بيني تورم و روشهاي گزينشينمودن١ (DMS) و متوسط گيري الگوي پويا٢ (DMA) پرداخته ، سپس متغيرها را در سه طيف بزرگ مقياس (شامل ١٠١ متغير در نه بلوک عاملي)، متوسط مقياس (شامل ٦ متغير) و الگوهاي تک متغيره را با استفاده از دادههاي سري زماني فصلي در دوره زماني ٩٦-١٣٦٩ دسته بندي نموده، سپس به مقايسه نتايج حاصل از پيش بيني شاخص قيمت توليدکننده با استفاده از الگوهاي DMA،DMS ، 1.
Bayesian Model Averaging (BMA) عملکرد بهتري نسبت به الگو ارزيابي مقايسه اي١ سري زماني ساده براي پيش بيني تورم با يک فرآيند خودرگرسيوني تورم است (از يک فصل تا هشت فصل ).
Point Forecasts (به تصویر صفحه رجوع شود) منبع : يافته هاي پژوهش علاوه بر مقايسه الگوهاي پيش بيني با استفاده از معيارهاي عملکرد پيش بيني، در نمودار (٢)، مقادير واقعي شاخص قيمت توليدکننده با مقادير پيش بينيشده توسط هر الگو ترسيم شدهاست .
نمودار زير بيانگر اين احتمال ها براي ٩ بلوک عاملي در افق هاي پيش بيني مختلف است .
Forecasting the Price of Gold Using Dynamic Model Averaging, University of Pretoria, Department of Economics Working Paper Series.
Forecasting Inflation Using Dynamic Model Averaging, International Economic Review, 53(3), 867-886.
Forecasting Inflation, Journal of Monetary Economics, 44, 293–335.