پیش بینی تورم ایران با دو رهیافت اقتصادسنجی و شبکه عصبی مصنوعی؛ مقایسه الگوهای غیرخطی nardl ، narx

پیش‌بینی تورم یکی از مهم‌ترین اقدامات سیاست‌گذاران اقتصادی و مقامات پولی در حوزه تصمیم‌گیری است و محققین همواره در پی شناسایی روش‌های مناسب برای پیش‌بینی تورم می‌باشند، با توجه به غیرخطی بودن شاخص‌های کلان اقتصادی به دلیل وجود شوک‌های ایجادشده از چرخه‌های اقتصادی بهتر است که نرخ تورم با الگو‌های غیرخطی برآورد شود، در این مقاله با استفاده از دو الگوی غیرخطی و بنیادی nardl، narx و توجه به سایر متغیرهای کلان اقتصادی به‌عنوان متغیرهای برون‌زای الگوها و همچنین دو الگوی غیرساختاری arima و nar، به پیش‌بینی نرخ تورم ماهانه ایران پرداخته می‌شود درواقع بعد از برآورد نرخ تورم ماهانه ایران در بازه 1384:01-1398:06 با استفاده از آزمایش این الگوها در بازه 1398:07-1400:07 نتیجه حاصل شد که الگوی narx برای افق زمانی کوتاه‌مدت و الگوی nardl، برای افق زمانی بلند‌مدت عملکرد خوبی را بر اساس معیار rmse و dm از خود نشان دادند.

forecasting inflation in iran with two approaches of econometrics and artificial neural network; comparison of nardl, narx nonlinear models

inflation forecasting is one of the most important actions of economic policymakers and monetary officials in the field of decision-making. besides, researchers always try to identify appropriate methods for predicting inflation. considering the non-linearity of macroeconomic indicators due to the shocks caused by business cycles, it would be better for inflation rate to be estimated by nonlinear models. accordingly, in the current research study, attempts have been to utilize theoretical and nonlinear models, such as nardl and narx. apart from the mentioned models, two other models, entitled arima and nar were employed as non-theoretical models. in fact, after estimation of iran's monthly inflation rate in the period of 4/21/2005 to 9/22/2019; the time span of 10/22/2019 to 11/21/ 2021 was examined. the findings of the study indicated that for the short-term time span and long-term span narx and nardl models respectively performed well based the rmse, dm criteria.