خلاصة:
نرخ تورم یکی از کلیدی ترین متغیرهای اقتصاد کلان است که داشتن پیش بینی دقیقی از آن به صورت زمان حقیقی (real-time) برای نهادهای سیاستگذار به ویژه بانک های مرکزی از اهمیت فراوانی برخوردار است. یکی از راه هایی که برای افزایش دقت پیش بینی پیشنهاد می شود، استفاده از محتوای اطلاعاتی دسته وسیعی از متغیرهای گوناگون با بهره گیری از روش های ترکیب پیش بینی است. در این مقاله تعدادی از روش های ترکیب پیش بینی به صورت زمان حقیقی برای پیش بینی نرخ تورم در ایران پیاده سازی و ارزیابی شده است. نتایج این مطالعه نشان می دهد روش های ساده ترکیب در مقایسه با روش هایی که به تخمین وزن های بهینه می پردازند، عملکرد بهتری دارند و صرف نظرکردن از همبستگی میان پیش بینی های ساده در به دست آوردن وزن ها موجب افزایش دقت پیش بینی می شود. همچنین اگرچه عملکرد وزن های انقباضی با افزایش ضریب انقباض بهبود می یابد، اما به طور کلی پیش بینی های حاصل از وزن های بهینه دارای دقت بیشتری نسبت به پیش بینی های حاصل از وزن های انقباضی است.
Inflation rate is one of the most crucial macroeconomic variables and accurate real time forecast of it is of great importance to policy making institutions، especially central banks. One of the methods that have been proposed to increase the accuracy of forecasts is making use of information content of an extensive set of diverse variables using forecast combination methods. In this paper، some of the forecast combination techniques are implemented to forecast Iran’s inflation rate and then evaluated in real time. Our results show that firstly، simple combination methods have better performance compared to the combination methods that estimate the optimal weights. Secondly، ignoring the correlation between simple forecasts-when estimating the weights-will increase the accuracy of forecasts. Thirdly، the combination methods with optimal weights beat the methods with shrinking weights. Finally، the performance of the methods with shrinking weights is improved by increasing the shrinkage factor.
ملخص الجهاز:
در روش هاي ترکيب اطلاعات ، ابتدا محتواي اطلاعاتي موجود در طيف وسيعي از متغيرها را در 1 real-time 2 term structure theory of interest rate ۳ براي نمونه نگاه کنيد به (a٢٠٠٢) Watson &Stock ، (٢٠٠٧) Jansen &Liu و & Heij, van Dick .
قاعدتا اين مقدار، تنها مقدار انتشاريافته اين متغير 1 Bates & Granger (1969), Stock & Watson (2004), Rapach & Strauss (2009) 2 Sessions & Chatterjee (1989), Zellner, Hong & Min (1991), LeSage & Magura (1992) 3 release lag نخواهد بود و در فصول بعد، مقاديري از توليد ناخالص داخلي براي فصل اول سال ۱۳۸۰ انتشار خواهد يافت که لزوما با مقدار اوليه انتشار آن يکسان نخواهد بود.
نکته جالب توجه اينکه در برخي زيربازه ها، بر خلاف انتظار، عملکرد پيش بيني زمان حقيقي بهتر از پيش بيني با استفاده از آخرين ۱ براي نمونه نگاه کنيد به (٢٠٠٩) Price &Groen, Kapetanios ، (٢٠٠٩) Wright &Faust ، (٢٠١٠) Croushore و (٢٠١٠) Laforte &Edge, Kiley .
همان گونه که در مرور مطالعات بالا ذکر شد، تکنيک هاي مختلفي براي ترکيب پيش بيني وجود دارد که علاوه بر افزايش دقت پيش بيني ، هر کدام روشي مخصوص به خود 1 Diebold & Rudebusch 2 composite leading index 3 Heij, van Dick & Groenen 4 Golinelli & Parigi 5 Clausen & Clausen 6 Orphanides & Van-Norden 7 Robinson, Stone & van Zyl 8 Amato & Swanson براي حل مسئله خطاي تخمين و تغييرات زماني دارند.