تحلیل تورم بلند مدت با استفاده از مدل با ضرایب متغیر

هنگامی که داده ها از یک الگوی خطی ثابت تبعیت نکنند و به شکل پویایی بر حسب زمان یا مکان الگوهای متنوعی داشته باشند، مدل های با ضرایب متغیر به عنوان مهم ترین ابزار برای کشف الگوهای پویا در آنها مطرح می شوند. این مدل ها تعمیم طبیعی مدل های کلاسیک پارامتری هستند که با تفسیر پذیری خوب، محبوبیت زیادی در تجزیه و تحلیل داده ها به دست آورده اند. انعطاف پذیری و تفسیر پذیری بالای این مدل ها سبب کاربرد زیاد آنها در داده های واقعی شده است.در این مقاله ضمن مرور مختصری بر مدل های با ضرایب متغیر به روش برآورد پارامتر با استفاده از تابع هسته و اسپلاین مکعبی پرداخته و فاصله اطمینان و آزمون فرض برای توابع پارامترها به دست می آوریم. در نهایت با استفاده از داده های واقعی نرخ تورم ایران در سالهای 1368 تا 1396، کاربرد و قابلیت های مدل با ضرایب متغیر را در تفسیر نتایج نشان می دهیم چالش اصلی عدم برازش مناسب مدل داده های پانلی و نیز مدل های با واریانس غیر ثابت سربهای زمانی مثل مدل های آرچ و گارچ و مشتقات آنها به این داده هاست که استفاده از مدل های با ضرایب متغیر را توجیه می نماید.

Long-term Inflation Analysis Using Varying Coefficients Model

Varying coefficient models are among the most important tools for discovering the dynamic patterns when a fixed pattern does not fit adequately well on the data, due to existing diverse temporal or local patterns. These models are natural extensions of classical parametric models that have achieved great popularity in data analysis with good interpretability. The high flexibility and interpretability of these models have led to use in many real applications. In this paper, after presenting a brief review of varying coefficient models, we use the parameter estimation method using the kernel function and cubicspline then confidence band and hypothesis testing are investigated. Finally, using the real data of Iran rsquo;s inflation rate from 1989 to 2017, we show the application and capabilities of the varying coefficient model in interpreting the results. The main challenge in this application is that the panel or longitudinal models or even time series models with heterogeneous variances such as ARCH and GARCH models and their derived models did not fit adequately well on this dataset which justifies the use of varying coefficient models.