|
|
|
|
مقایسه پویاییهای تورمزدایی در ایران در مدلهای کینزی جدید متعارف و رفتاری
|
|
|
|
|
|
|
|
نویسنده
|
باقرزاده مهسا ,افشاری زهرا ,توکلیان حسین
|
|
منبع
|
سي و يكمين همايش سالانه سياستهاي پولي و ارزي - 1403 - دوره : 31 - سی و یکمین همایش سالانه سیاستهای پولی و ارزی - کد همایش: 03240-34445 - صفحه:0 -0
|
|
چکیده
|
در این مقاله، به بررسی پویاییهای تورمزدایی در اقتصاد ایران با تخمین مدل کینزی جدید (nk) متعارف و مدل با یادگیری عاملها و برنامهریزی افق زمانی محدود، پرداخته شده است. برآورد مدلها در چهارچوب الگوی تعادل عمومی پویای تصادفی با رویکرد بیزی با استفاده از دادههای فصلی اقتصاد ایران طی سالهای 1367:2- 1401:4 انجام شده است. نتایج مطالعه نشان میدهد که تورمزدایی در مدل افق زمانی محدود با یادگیری عامل-ها در مقایسه با مدل کینزی جدید متعارف، نوسانات کمتر و ماندگاری بیشتری را به دلیل یادگیری آهسته عاملها از تجربیات گذشته، نشان میدهد. بنابراین برای تورمزدایی به واکنش کمتر تهاجمی از طرف بانک مرکزی نیاز دارد.
|
|
کلیدواژه
|
افق زمانی محدود، یادگیری، مدل کینزی جدید، تورمزدایی
|
|
آدرس
|
, iran, , iran, , iran
|
|
پست الکترونیکی
|
hossein.tavakolian@atu.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
dynamics of deflation in iran in behavioral and conventional new keynesian models
|
|
|
|
|
Authors
|
|
|
Abstract
|
in this article, we have evaluated the dynamics of deflation in iran's economy. we have considered the assumption of bounded rationality, taking into account agents' learning and finite horizon planning. the estimation of the models was conducted using the bayesian approach within the framework of the dynamic stochastic general equilibrium. we used seasonal data from the iranian economy covering the period 1988:2-2023:1. our results indicate deflation in the finite horizon model with agent learning exhibit less fluctuations and is more persistent compared to the canonical new keynesian model. this is due to the slow learning of agents from past experiences. as a result, deflation requires less aggressively reaction of central bank.
|
|
Keywords
|
finite-horizon planning ,learning ,new keynesian model ,deflation
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|