تعداد نشریات | 21 |
تعداد شمارهها | 590 |
تعداد مقالات | 8,768 |
تعداد مشاهده مقاله | 66,666,006 |
تعداد دریافت فایل اصل مقاله | 7,234,235 |
پیشبینی تورم ایران با دو رهیافت اقتصادسنجی و شبکه عصبی مصنوعی؛ مقایسه الگوهای غیرخطی NARDL، NARX | ||
مدلسازی اقتصادسنجی | ||
دوره 7، شماره 3 - شماره پیاپی 27، آذر 1401، صفحه 39-68 اصل مقاله (5.62 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22075/jem.2022.26727.1716 | ||
نویسندگان | ||
حامد عزیزی گنزق1؛ احمد جعفری صمیمی* 2 | ||
1دانشجوی دکتری علوم اقتصادی، دانشگاه مازندران، بابلسر، ایران | ||
2استاد اقتصاد، گروه اقتصاد، دانشگاه مازندران، بابلسر، ایران | ||
تاریخ دریافت: 10 فروردین 1401، تاریخ بازنگری: 24 مهر 1401، تاریخ پذیرش: 28 مهر 1401 | ||
چکیده | ||
پیشبینی تورم یکی از مهمترین اقدامات سیاستگذاران اقتصادی و مقامات پولی در حوزه تصمیمگیری است و محققین همواره در پی شناسایی روشهای مناسب برای پیشبینی تورم میباشند، با توجه به غیرخطی بودن شاخصهای کلان اقتصادی به دلیل وجود شوکهای ایجادشده از چرخههای اقتصادی بهتر است که نرخ تورم با الگوهای غیرخطی برآورد شود، در این مقاله با استفاده از دو الگوی غیرخطی و بنیادی NARDL، NARX و توجه به سایر متغیرهای کلان اقتصادی بهعنوان متغیرهای برونزای الگوها و همچنین دو الگوی غیرساختاری ARIMA و NAR، به پیشبینی نرخ تورم ماهانه ایران پرداخته میشود درواقع بعد از برآورد نرخ تورم ماهانه ایران در بازه 1384:01-1398:06 با استفاده از آزمایش این الگوها در بازه 1398:07-1400:07 نتیجه حاصل شد که الگوی NARX برای افق زمانی کوتاهمدت و الگوی NARDL، برای افق زمانی بلندمدت عملکرد خوبی را بر اساس معیار RMSE و DM از خود نشان دادند. | ||
کلیدواژهها | ||
پیشبینیتورم؛ الگوهای غیرخطی؛ شبکه عصبی مصنوعی؛ NARDL؛ NARX | ||
عنوان مقاله [English] | ||
Forecasting inflation in Iran with two approaches of econometrics and artificial neural network; Comparison of NARDL, NARX nonlinear models | ||
نویسندگان [English] | ||
Hamed Azizi Ganzagh1؛ Ahmad Jafari Samimi2 | ||
1Ph.D. Student in Economics, Department of Economics, University of Mazandaran | ||
2Professor in Economics, Department of Economics, University of Mazandaran | ||
چکیده [English] | ||
Inflation forecasting is one of the most important actions of economic policymakers and monetary officials in the field of decision-making. Besides, researchers always try to identify appropriate methods for predicting inflation. Considering the non-linearity of macroeconomic indicators due to the shocks caused by business cycles, it would be better for inflation rate to be estimated by nonlinear models. Accordingly, in the current research study, attempts have been to utilize theoretical and nonlinear models, such as NARDL and NARX. Apart from the mentioned models, two other models, entitled ARIMA and NAR were employed as non-theoretical models. In fact, after estimation of Iran's monthly inflation rate in the period of 4/21/2005 to 9/22/2019; the time span of 10/22/2019 to 11/21/ 2021 was examined. The findings of the study indicated that for the short-term time span and long-term span NARX and NARDL models respectively performed well based the RMSE, DM criteria. | ||
کلیدواژهها [English] | ||
Inflation Forecasting, Nonlinear Models, Artificial Neural Network, NARDL, NARX | ||
مراجع | ||
| ||
آمار تعداد مشاهده مقاله: 737 تعداد دریافت فایل اصل مقاله: 307 |