|
|
|
|
مقایسه عملکرد روشهای مختلف پیشبینی شاخص قیمت تولیدکننده در ایران
|
|
|
|
|
|
|
|
نویسنده
|
محمدی تیمور ,فهیمی فر فاطمه
|
|
منبع
|
اقتصاد و الگوسازي - 1398 - دوره : 10 - شماره : 4 - صفحه:159 -206
|
|
چکیده
|
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 و متوسط گیری الگوی پویا در سه افق پیشبینی (یک، چهار و هشت فصل) میپردازد. در این گونه روشها نه تنها ضرایب بلکه الگوهای پیشبینی نیز در طول زمان تغییر میکنند. الگوهای مورد استفاده در این مطالعه 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 و متوسط گیری الگوی پویا نسبت به سایر رویکردهای در نظرگرفتهشده در این مقاله، دارای عملکرد پیشبینی بهتری برای شاخص قیمت تولیدکننده در ایران هستند.
|
|
کلیدواژه
|
الگوی عاملی، الگوی فضا-حالت، پیشبینی، شاخص قیمت تولیدکننده
|
|
آدرس
|
دانشگاه علامه طباطبائی, دانشکده اقتصاد, گروه اقتصاد, ایران, دانشگاه علامه طباطبائی, دانشکده اقتصاد, ایران
|
|
پست الکترونیکی
|
fatemehfahimifar@gmail.com
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Comparing the Performance of Different Methods of Forecasting Producer Price Index in Iran
|
|
|
|
|
Authors
|
Mohammadi Teymour ,Fahimifar Fatemeh
|
|
Abstract
|
Macroeconomic indices are the essential tools to determine the effects of economic policies, in the short, medium and longrun planning and policy makings for an economy. One of the important indices 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 19902017 (13691396) through Dynamic Model Selection(DMS) andDynamic Model Averaging (DMA) in three forecast horizons (one, four, and eight season). In such methods, 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, largescale (including 101 variables in nine factor blocks), middlescale (including 6 variables), and univariate models. The results of the study indicated that forecasting DMS and DMA compared to other approaches has an efficient forecasting performance for the producer price index in Iran.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|