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

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.