مروری بر مدل‌های کلان‌سنجی پویای جدید: یک رویکرد کل ‌به ‌جزء خودکار

رویکردهای اقتصادسنجی براساس تاکیدی که به هر یک از شاخص‌‌های ارزیابی و انتخاب مدل من‌جمله نظریات اقتصادی، داده‌‌ها، کیفیت پیش‌بینی و شبیه‌سازی سیاستی دارند، قابل تحلیل هستند. به‌‌صورت تاریخی، پیش‌فرض‌‌های نظری عموماً با داده‌‌های نامانای اقتصادی سازگاری ندارند که این پدیده به‌دلیل بروز شوک‌‌های انتقال‌ مکانی توزیع‌‌های آماری متغیرها در واقعیت رخ می‌دهد که این امر می‌تو‌اند منجر به شکست در پیش‌بینی، شبیه‌سازی و حتی پایه‌‌های اثبات ریاضی مدل‌ها گردد؛ بنابراین، در این مطالعه ضمن بررسی این مشکلات، رویکرد اتومتریکس که به‌وسیله اجازه ورود تعداد متغیرهای بیش از مشاهدات (n>>t) رویکردهای نظریه‌محور و داده‌محور را با هم ادغام می‌کند، ارائه می‌شود. در این رویکرد متغیرهای نظریات رقیب، وقفه‌‌های متعدد تمام متغیرها، توابع غیرخطی، روندهای قطعی و تصادفی، متغیرهای شاخص (sisiis,) برای تحلیل شیفت‌های مکانی ناشی شکست‌‌های ساختاری، برون‌زایی ضعیف و ابربرون‌زایی علاوه بر متغیرهای یک نظریه خاص به مدل وارد می‌شوند که با این کار اجازه حفظ متغیرهای نظری بدون تحمیل آنان به مدل محیا می‌گردد. به‌منظور حل مدل اولیه دارای متغیرهای متعدد از الگوریتم جستجو مدل چندمسیره اتومتریکس استفاده می‌شود که در آن براساس آزمون‌‌های آماری مختلف و در چهارچوب نظریه آماری تقلیل، مدل نهایی با سه ویژگی خست از نظر تعداد متغیر، تجانس و شمولیت آماری به‌دست می‌آید.

a survey of new dynamic macro econometric models:an automatic general-to-specific approach

econometric methodologies can be evaluated based on several criteria, including consistency with economic theory, empirical robustness, forecasting performance, and policy relevance. traditional theory-driven models often fail to account for non-stationarities in economic data—such as location shifts induced by structural changes—resulting in poor forecasting performance, unreliable policy simulations, and, at times, mathematical inconsistencies. this paper reviews the limitations associated with these evaluation criteria and introduces the autometrics approach as a comprehensive model selection framework. autometrics integrates theory-driven and data-driven strategies, often resulting in more candidate variables (n) than observations (t). the approach allows for the inclusion of theoretically relevant variables, dynamic adjustments, nonlinearities, deterministic and stochastic trends, and indicator saturation (iis, sis) to account for structural breaks and exogeneity, while preserving the integrity of theory-model parameter estimates. by employing a multi-path model selection algorithm, autometrics identifies a congruent, parsimonious, and encompassing model through rigorous diagnostic testing of the reduction process.