Abstract:
پویایی و تغییرات پدیده ها نسبت به زمان، سرشت ذاتی پدیده های اقتصادی است. در اقتصادسنجی پدیده های اقتصادی، نادیده گرفتن ویژگی پویایی آنها منجر به ساده سازی بیش از حد پدیده ها می شود و مدل های که بر این مبنا به دست می آیند اغلب واقع گرایانه نبوده، موجب تفسیرهای نادرست از آن پدیده ها می شوند. کاربست رگرسیون برای بررسی روابط بین متغیرهای اقتصادی، عملی بسیار متداول است. در چنین کاربردهایی اغلب روابط بین متغیرها، ایستا در نظر گرفته می شوند و از تحول این روابط در طی زمان که باعث تغییر در ضرایب معادلات می شوند غفلت می شود. در این مقاله ضمن معرفی مدل های خطی پویا (DLM) کاربردی از این مدل ها را در مورد سری زمانی «متوسط هفتگی قیمت دلار» از دیدگاه بیزی ارایه می کنیم. هدف، بیان روش پویا برای مدل سازی فرایندهای اقتصادی است تا از این رهیافت، سری متوسط هفتگی قیمت دلار را مدل سازی و سپس قیمت دلار را به کمک این مدل ها پیش بینی می کنیم. روش های مختلف دیگری مانند: سری های زمانی ARIMA و شبکه های عصبی برای مدل سازی مطرح هستند. نرخ ارز یک متغیر کلیدی و مهم اقتصادی در سیاستگزاری ها قلمداد می شود، تا جایی که گروهی از کارشناسان به خصوص در کشورهای در حال توسعه، از این متغیر به عنوان لنگر اسمی یاد می کنند، به همین دلیل تعیین نرخ ارز بسیار مورد توجه اقتصاددانان است.
Dynamism، variations in time، is the inherent characteristic of most economical phenomena. In econometrics، ignoring this dynamism may cause many problems due to over simplification of the problems. One such case occurs in application of static regression models to problems with dynamic nature. In so doing، one ignores the fact that the parameters of the model change in time، which may lead to misleading results.
In this paper، we intend to exhibit the importance of this negligence in the context of a practical problem، namely modelling the weekly average rate of conversion of us dollar into Iranian currency ، Rial.
Thus، two approaches of static and dynamic modelling are compared with respect to their efficiency in tracking the path of the variations of the US dollar rate according to various criteria such as MAD and MSE of predictions. Using a dynamic time series model along with required interventions at outlier points superiority of the Bayesian dynamic model is shown.
Machine summary:
"(14) بنابراین تحلیل دنبالهای دارای اجزای زیر است: 1- توزیع پیشین: بردار (θt | Dt-1) با توزیع N[at ,Rt ] که در آن: (15) (16) 2- توزیع پیشگویی تک گامی (Yt | Dt-1)~N[ft, Qt] که در آن: (17) Qt= Rt1+ Vt , ft= ft-1 (1)=mt-1+ bt-1 3- اگر بردار سازوار را بهصورت زیر تعریف کنیم روابط دیگری را نیز میتوانیم نتیجه بگیریم: (18) / 4- اگر خطای پیشگویی = Yt- ft et در نظر گرفته شود، توزیع پیشین در زمان t عبارت خواهد بود از: (19) θt | Dt) ~ N) که در آن: (20) mt = m t-1 + b t-1 + A t1 et (21) bt = b t-1 + A t2 et (22) Ct1 = A t1 Vt (23) Ct2 = R t3 - A t2R t3 (24) A t2 Vt Ct3 = 5- معادلات روزآمدکننده بهجنبهای دیگر از نمایش سری مشاهدات بر حسب مشاهدات گذشته و خطاهای پیشگویی منتهی میشود: (25) Yt = mt-1 + bt-1 + et (26) mt = mt-1 + bt-1 + A t1 et (27) bt = bt-1 + At2 et همچنین معادله تفاضلی زیر را میتوان نتیجه گرفت: (28) Yt - 2 Yt-1 + Yt-2 = et - ψt1 et-1 + ψt2 et-2 (29) ψt1 = 2- At-1 , 1 - At-1 , 2 (30) ψt2 = 1- At-2 , 1 با این نمایش میتوان این روش بیزی را با روشهای دیگر پیشگویی مقایسه کرد."