پیش بینی شاخص های کلان بخش کشاورزی با استفاده از الگوی رگرسیونی با داده های مختلط

مقدمه و هدف: یکی از مهمترین بخشهای اقتصاد که اطلاع از نحوه عملکرد آن در آینده حائز اهمیت است، بخش کشاورزی می باشد. پیش بینی شاخص های کلان بخش کشاورزی برای برنامه ریزان و سیاست گذاران این بخش از اهمیت ویژه ای برخوردار است.  به این منظور هدف اصلی در این پژوهش برآورد شاخص های کلان بخش کشاورزی مانند ارزش افزوده کشاورزی،صادرات و واردات بخش کشاورزی توسط الگوی رگرسیونی با داده های  مختلط(میداس) می باشدمواد و روش ها: در این تحقیق از رهیافت میداس که امکان بهره گیری از داده ها با تواتر مختلف را فراهم می آورد، استفاده شد.  دوره مورد بررسی در این تحقیق از سال 1392 تا انتهای سال 1397 می باشد.تواتر داده ها برای ارزش افزوده کشاورزی فصلی بوده و برای صادرات کشاورزی ، واردات کشاورزی و متغیرهای تورم و نرخ ارز دارای داده های ماهانه و دما و بارش با تواتر فصلی مورد بررسی قرار گرفتند.یافته ها: نتایج پیش بینی های ارائه شده توسط الگوی برآورد شده در این مقاله حاکی از قدرت بالای پیش بینی است.همچنین مشخص گردید که متغیرهای نرخ ارز و تورم در تمام معادله ها دارای تاثیر معنی دار می باشد و دما بر ارزش افزوده و صادرات اثر معنی دار دارد و میزان بارش در هیچ کدام از برآورد های مورد بررسی اثر معنی دار ندارد.بحث و نتیجه گیری: نتایج حاصل از این مطالعه تایید واضحی بر قدرت قابل قبول پیش بینی های بدست آمده از رهیافت میداس می باشد. این نکته برای کشوری همچون ایران که با مشکل تواترهای مختلف برای داده های دردسترس مواجه است، بسیار مهم می باشد.

prediction of agricultural macroeconomic indicators using mixed data regression models

introduction: agriculture plays a key role in meeting food security goals of the country. thus, knowledge on the future trends of agricultural indicators seems to be of vital importance for policy-making. on the other hand, access to data in agriculture is limited, while most of the available data are in different frequencies. this study is an empirical application of mixed data regression models: which considers this issue.materials and methods: in order to touch study objectives, the midas model is specified and estimated using time series (combination of quarterly and monthly information) data for the period from 2013 to the end of 2018. the variables include agricultural exports, agricultural imports, inflation and exchange rate in monthly frequency, and agricultural value added, temperature and precipitation in quarterly frequency.findings: the results confirmed good prediction power of the model. it is concluded that the exchange rate and inflation have a significant impact on all equations, and the temperature has a significant effect on value added and exports. moreover, precipitation did not show a significant effect.conclusion: this study showed the capability of midas approach in modeling of variables with different frequencies.