اهمیت تصریح معادلات رگرسیونی در برآورد نااطمینانی متغیرهای اقتصاد کلان

در این مطالعه اندازه‌گیری نااطمینانی متغیرهای اقتصاد کلان مورد توجه قرار گرفته است. با توجه به اینکه نااطمینانی به‌طور مستقیم قابل مشاهده و انداز‌ه‌گیری نیست، پژوهشگران جانشین‌های مختلفی برای اندازه‌گیری آن پیشنهاد داده‌اند. یکی از روش‌های رایج برای برآورد این نااطمینانی‌ها، استفاده از الگوهای سری زمانی است. در این روش، برآورد مناسب و دقیق از نااطمینانی مستلزم تصریح درست معادلات رگرسیونی است. با در نظر گرفتن این موضوع، نااطمینانی برای چند سری زمانی کلیدی در اقتصاد ایران برآورد و سپس برآوردهای الگوی مبنا با الگوهای دیگر مقایسه شده‌ است. نتایج به‌دست آمده بیانگر این هستند که برآوردهای نااطمینانی در این سری‌ها به طرز معنی‌داری تحت تاثیر تصریح معادلات رگرسیون پیش‌بینی‌کننده قرار می‌گیرند. تفاوت بین برآوردهای انجام شده در طول زمان برای این سری‌ها که در برخی دوره‌ها کاملا قابل مشاهده است، نشان می‌دهد که بیشتر تغییرات در این سری‌ها قابل پیش‌بینی هستند و نبایست به نااطمینانی نسبت داده شوند. همچنین ارزیابی دقت پیش‌بینی نااطمینانی در الگوهای مختلف بیانگر عملکرد بهتر الگوهای نوسان تصادفی و garch نامتقارن در دوره‌های پیش‌بینی درون نمونه‌‌ای و خارج از نمونه‌ای است.

The Importance of Regression Equations Specification in Measuring Uncertainty of Macroeconomic Variables

In this study measuring of uncertainty related to macroeconomic variables has been considered. Given that uncertainty is not directly observable and measurable, researchers suggest different proxies for its measuring. One of the popular approaches in the related literature is based on time series models. In this approach, the proper measurement of uncertainty requires correct specification of regression equations. Accordingly, we estimate the uncertainty estimates of the baseline model for several key series in Iran’s macro dataset and compare it to the corresponding estimates of the alternative models. Our results show that uncertainty estimates of macro variables are affected by the specification of the forecasting regression equations. The difference over time between the estimates for these variables is quite pronounced in some periods, suggesting that much of the variation in these series is predictable and should not be attributed to uncertainty. Finally, evaluation of the uncertainty forecasting accuracy of the models shows that the SV and asymmetric GARCH models have better performance for the insample and outofsample periods, respectively. JEL Classification: C5 ,C52, E17