دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات61
تعداد شماره‌ها2,229
تعداد مقالات18,279
تعداد مشاهده مقاله56,141,745
تعداد دریافت فایل اصل مقاله29,078,585
عباسی نژاد, حسین, گودرزی فراهانی, یزدان. (1393). برآورد درجه انباشتگی شاخص تورم با مدل ARFIMA- FIGARCH مطالعه موردی: ایران. سامانه مدیریت نشریات علمی, 14(52), 26-1.
حسین عباسی نژاد; یزدان گودرزی فراهانی. "برآورد درجه انباشتگی شاخص تورم با مدل ARFIMA- FIGARCH مطالعه موردی: ایران". سامانه مدیریت نشریات علمی, 14, 52, 1393, 26-1.
عباسی نژاد, حسین, گودرزی فراهانی, یزدان. (1393). 'برآورد درجه انباشتگی شاخص تورم با مدل ARFIMA- FIGARCH مطالعه موردی: ایران', سامانه مدیریت نشریات علمی, 14(52), pp. 26-1.
عباسی نژاد, حسین, گودرزی فراهانی, یزدان. برآورد درجه انباشتگی شاخص تورم با مدل ARFIMA- FIGARCH مطالعه موردی: ایران. سامانه مدیریت نشریات علمی, 1393; 14(52): 26-1.

برآورد درجه انباشتگی شاخص تورم با مدل ARFIMA- FIGARCH مطالعه موردی: ایران

پژوهشنامه اقتصادی
مقاله 1، دوره 14، شماره 52 - شماره پیاپی 1، فروردین 1393، صفحه 26-1    اصل مقاله (845.39 K)
نوع مقاله: مقاله پژوهشی
نویسندگان
حسین عباسی نژاد1؛ یزدان گودرزی فراهانی* 2
1استاد دانشکده اقتصاد دانشگاه تهران
2دانشجوی دکترای اقتصاد دانشگاه تهران
چکیده
بررسی اثر حافظه در شاخص­های مختلف اقتصادی، به‌خصوص تورم و بازار پول دارای جذابیت تحقیقاتی بالایی است. این تحقیق با استفاده از داده‌های شاخص قیمت مصرف‌کننده ایران در دوره زمانی 08/1390، 01/1369، به بررسی ویژگی حافظه بلندمدت این شاخص پرداخته و مدل ARFIMA برای آن برازش شده است. همچنین مقادیر جزء خطا در مدل ARFIMA با استفاده از مدل FIGARCH مورد بررسی قرار گرفت تا مشخص شود که واریانس ناهمسانی تورم از چه مدلی پیروی می­کند، نتایج تحقیق نشان‌دهنده این موضوع بود که سری­ زمانی ماهیانه تورم می­تواند دارای ریشه کسری باشند. به عبارتی، درجه ­انباشتگی متغیر تورم می‌تواند عدد صحیح نباشد و کسری باشد. نتایج تحقیق نشان داد که درجه ­انباشتگی سری تورم باید بین صفر و یک باشد و بدین ترتیب فرضیه حافظه­دار بودن سری تورم مطرح شد. با تخمین پارامتر حافظه بلندمدت در مدل مشخص شد که سری تورم دارای درجه انباشتگی 46/0 است و با یک بار تفاضل‌گیری دچار بیش تفاضل‌گیری می‌شویم. بنابراین، سری تورم در ایران دارای حافظه بلند­مدت است و آثار هر شوک بر این متغیر به دلیل حافظه بلندمدت آن تا دوره­های طولانی باقی می­ماند.
 
کلیدواژه‌ها
مدلARFIMA- FIGARCH؛ تورم؛ آزمون KPSS؛ حافظه بلندمدت
اصل مقاله

 

مراجع

برایان، اسنودن (1980)، راهنمای نوین اقتصاد کلان، ترجمة منصور خلیلی عراقی و علی سوری، تهران، انتشارات برادران، 1383.

عباسی‌نژاد، حسین و احمد تشکینی (1389)، اقتصادسنجی کاربردی پیشرفته، تهران، انتشارات دانشکده علوم اقتصادی و نور علم.

عرفانی، علیرضا (1388)، پیش‌بینی شاخص کل بورس اوراق بهادار تهران با مدل ARFIMA، فصلنامه تحقیقات اقتصادی،  شماره 86.

کشاورز حداد، غلامرضا (1385)، ﺗﺤﻠﻴﻞ اﺛﺮات ﺗﻘﻮﻳﻤﻲ در ﻧﻮﺳﺎﻧﺎت ﻗﻴﻤﺖ ﺑﺮﺧﻲ از ﻛﺎﻻﻫﺎی اﺳﺎﺳﻲ (ﻣﻄﺎﻟﻌﻪ ﻣﻮردی: دادهﻫﺎی ﻣﺎﻫﻴﺎﻧﻪ ﻗﻴﻤﺖ ﮔﻮﺷﺖ ﻣﺮغ، ﮔﻮﺷﺖ ﻗﺮﻣﺰ و ﺗﺨﻢ ﻣﺮغ)، ﻣﺠله ﺗﺤﻘﻴﻘﺎت اﻗﺘﺼﺎدی، شماره 73.

کشاورز حداد، غلامرضا و باقر صمدی (1388)، برآورد و دقت پیش‌بینی تلاطم بازدهی در بازار سهام تهران و مقایسه دقت روش‌ها در تخمین ارزش در معرض خطر: کاربردی از مدل‌های خانواده FIGARCH، مجله تحقیقات اقتصادی، شماره 86.

کشاورز حداد، غلامرضا، (در دست چاپ)، مباحثی در  روش‌های اﻗﺘﺼﺎدﺳﻨﺠﻲ، تهران، انتشارات نی.

محمدی، تیمور و رضا طالبلو (1389)، پویایی‌های تورم و رابطه تورم و عدم اطمینان اسمی با استفاده از الگوی ARFIMA- GARCH، پژوهشنامه اقتصادی، سال دهم، شماره اول.

محمودی، وحید، شاپور محمدی و هستی چیت‌سازان (1389)، بررسی روند حافظه­ بلندمدت در بازارهای جهانی نفت، فصلنامه تحقیقات مدل‌سازی اقصادی، سال اول، شماره اول.

مشیری، سعید و حبیب مروت (زمستان 1385)، پیش‌بینی شاخص کل بازدهی سهام تهران با استفاده از مدل‌های خطی و غیرخطی، فصلنامه پژوهشنامه بازرگانی،  شماره 41.

Baillie, R.T and Chung, F.C (1996), Analysing inflation by the fractionally integrated ARFIMA–GARCH model, Journal of Applied Econometrics, Vol 11.

Baillie, R. T. and Bollerslev (1992), Prediction in Dynamic Models with TimeDependent Conditional Variance, Journal of Econometric, Vol 52.

Ball, L (1992), Why Does High Inflation Raise Inflation Uncertainty?, Journal of Monetary Economics, Vol 29.

 Bollerslev, T (1986), Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometric, Vol 31.

Box, G. E. P. and G. M. Jenkins (1976), Time Series Analysis, Forecasting and Control, Holden-Day, San Francisco.

Brunner, A.D. and G.D. Hess (1993), Are Higher Levels of Inflation Less Predictable? A State-dependent Conditional Heteroskedasticity Approach, Journal of Business and Economic Statistics, Vol 11.

Bos.S. Charles, Koopman.S. Jan and Ooms.Marius (2007), Long Memory Modelling of Inflation with Stochastic Variance and Structural Breaks, Tinbergen Institute Discussion Paper, TI 2007-099/4.

Cheung, Y.-W and F. X. Diebold (1994), On Maximum Likelihood Estimation of the Differencing Parameter of Fractionally Integrated Noise with Unknown Mean, Journal of Econometrics, Vol 62.

Dickey, D. A. and W. A. Fuller (1979), Distribution of the Estimators for Autoregressive Time Series with a Unit Root, Journal of the American Statistical Association, Vol 74.

Engle, R. F (1982), Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of U. K. Inflation, Econometrica, No. 50.

Geweke, J. and Porter-Hudak, S (1983), The estimation and Application of Long Memory Time Series Models, Journal of Time Series Analysis, No. 4.

Granger, C. W. J. (1980), Long Memory Relationships and the Aggregation of Dynamic Models, Journal of Econometrics, Vol 14.

Granger, C. W. J. and R. Joyeux (1980), An Introduction to Long Memory Time Series Models and Fractional Differencing, Journal of Time Series Analysis, Vol 1.

Hosking, J. R. M (1981), Fractional Differencing, Biometrika, Vol 68.

Kwiatkowski, D., P. C. B. Phillips, P. Schmidt and Y. Shin (1992), Testing the Null hypothesis of Stationarity Against the Alternative of a Unit Root: How Sure are we that Economic Time Series are Non Stationary? Journal of Econometrics, Vol 54.

Phillips, P. C. B. and Perron, P (1988), Testing for a Unit Root in Time Series Regression. Biometrika, No. 75.

R. T. Baillie (1996). Long Memory Processes and Fractional Integration in Econometrics, Journal of Econometrics, Vol 73.

Robinson, F. Peter (2003), Time Series with Long Memory, Oxford University Press.

Sowell, F. B. (1992), Maximum Likelihood Estimation of Stationary Univariate Fractionally-integrated Time-Series Models, Journal of Econometrics, Vol 53.

Tsay, Wen- Jen (2008), Analysing Inflation by the ARFIMA Model with Markov-Switching Fractional Differencing Parameter, The Institute of Economics, Academia Sinica, Taiwan.

آمار
تعداد مشاهده مقاله: 4,019
تعداد دریافت فایل اصل مقاله: 4,623


login