دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات57
تعداد شماره‌ها1,931
تعداد مقالات15,373
تعداد مشاهده مقاله36,274,985
تعداد دریافت فایل اصل مقاله21,864,289
حیدری, حسن, جوهری سلماسی, پریسا. (1394). عملکرد مدل‌های مختلف خود رگرسیون برداری بیزی جهت پیش بینی متغیرهای کلان اقتصادی ایران: کاربرد روش نمونه‌گیری گیبس. سامانه مدیریت نشریات علمی, 20(62), 57-79. doi: 10.22054/ijer.2015.2489
حسن حیدری; پریسا جوهری سلماسی. "عملکرد مدل‌های مختلف خود رگرسیون برداری بیزی جهت پیش بینی متغیرهای کلان اقتصادی ایران: کاربرد روش نمونه‌گیری گیبس". سامانه مدیریت نشریات علمی, 20, 62, 1394, 57-79. doi: 10.22054/ijer.2015.2489
حیدری, حسن, جوهری سلماسی, پریسا. (1394). 'عملکرد مدل‌های مختلف خود رگرسیون برداری بیزی جهت پیش بینی متغیرهای کلان اقتصادی ایران: کاربرد روش نمونه‌گیری گیبس', سامانه مدیریت نشریات علمی, 20(62), pp. 57-79. doi: 10.22054/ijer.2015.2489
حیدری, حسن, جوهری سلماسی, پریسا. عملکرد مدل‌های مختلف خود رگرسیون برداری بیزی جهت پیش بینی متغیرهای کلان اقتصادی ایران: کاربرد روش نمونه‌گیری گیبس. سامانه مدیریت نشریات علمی, 1394; 20(62): 57-79. doi: 10.22054/ijer.2015.2489

عملکرد مدل‌های مختلف خود رگرسیون برداری بیزی جهت پیش بینی متغیرهای کلان اقتصادی ایران: کاربرد روش نمونه‌گیری گیبس

پژوهش‌های اقتصادی ایران
مقاله 3، دوره 20، شماره 62، فروردین 1394، صفحه 57-79    اصل مقاله (7.48 M)
شناسه دیجیتال (DOI): 10.22054/ijer.2015.2489
نویسندگان
حسن حیدری1؛ پریسا جوهری سلماسی* 2
1دانشیار اقتصاد دانشگاه ارومیه
2دانشجوی دکتری اقتصاد دانشگاه ارومیه
چکیده
داشتن تورمی پایین و رشد اقتصادی پایدار، هدف نخست سیاستگذاران اقتصادی است که برای رسیدن به این هدف طلایی، پیش بینی قابل اطمینان از متغیرهای کلان اقتصادی نقش مهمی ایفا می کند. در این مطالعه سعی شده است تا عملکرد مدل های خودرگرسیون برداری بیزی با اطلاعات (Priors) متفاوت برای پیش بینی متغیرهای کلان در اقتصاد ایران ارزیابی شود. ویژگی منحصر به فرد این مقاله استفاده از الگوریتم گیبس برای تخمین مدل BVAR و مقایسه آن با دو مدل BVAR شبه بیزی است که در آنها از اطلاعات نرمال ویشارد ( (Normal Wishardومینستا Minnesota )) استفاده شده است، جهت ارزیابی دقت پیش بینی متغیرهای کلان اقتصادی است. در این مطالعه مقایسه دو مدل BVAR شبه بیزی فوق و BVAR با الگوریتم گیبس با توزیع پیشین یکسان مینستا نشان می­دهد که مقدار MSFE در پیش بینی متغیر های اقتصادی برای 4 دوره در مدل BVAR با الگوریتم گیبس کمتر بوده و این مدل در کل عملکرد بهتری در پیش بینی متغیرهای کلان اقتصادی فوق نسبت به مدل­های شبه بیزی دارد. 
کلیدواژه‌ها
BVAR؛ الگوریتم گیبس؛ پیش بینی؛ توزیع پیشین نرمال ویشارد؛ توزیع پیشین مینستا؛ ایران
مراجع

صادقی شاهدانی. مهدی، صاحب هنر. حامد، عظیم زاده آرانی.محمد، حسینی دولت آبادی. سید مهدی(1391)، بررسی اثر شوک های پولی بر متغیر های کلان اقتصادی با استفاده از روش BVAR :مطالعه موردی ایران، فصلنامه علمی-پژوهشی مطالعات اقتصادی در ایران، سال اول، شماره 4،ص 99-100.

متوسلی. محمود، مزرعتی. محمد(1390)، پیش بینی و تحلیل سیاستی از تقاضای حامل های انرژی در ایران مدل های VAR,BVAR و پیشنهاد مدل های SBVAR ،مجله برنامه و بودجه، شماره 43و44، ص 29-76.

مهاجر ارومیه. الهه(1391)، برآورد پارامترهای یک جمعیت متناهی با استفاده از توزیع پسین پولیا، پایان نامه کارشناسی ارشد رشته آمار،دانشگاه شیراز، دی ماه 1391.

Abrego, L. and Osterholm, P (2008), "External Linkages and Economic Growth in Colombia: Insights from A Bayesian VAR Model", IMF Working Paper WP/08/46.

Amisano, G. and Serati, M (2004)," Time Varying Parameters BVAR Models for Inflation Forecasting", Research Unit of the Bank of Italy.

Borissov, B (1997), "BVAR Modeling in the Presence of Outliers", AMasters thesis, University of Toledo, Department of Economics.

Doan, T. Litterman, R and Sims, C (1984), "Forecasting and Conditional Projection Using Realistic Prior Distributions", Econometric Reviews, No. 3. PP: 1-100.

Gower. B. (1997), "Scientific Method: An Historical & Philosophical Introduction.", university of Guelph. Routledge. December 12.

Green. W.H. (1993), "Econometric Analysis (2nd ed)", Macmillan Publishing Company.

Heidari, H. (2012)," An Evaluation of Alternative BVAR Models for Forecasting Iranian Inflation", Iranian Journal of Economic Research, Vol. 17, No. 50. PP: 65-88.

Heidari, H. and Parvin, S. (2008), "Modeling and Forecasting Iranian Inflation with Time Varying BVAR Models", Science Research, NO. 36. PP: 59-84.

Huang, H. and Lee, T. (2006)," Forecasting Output Growth and Inflation: How to Use Information in the Yield Curve", University of California, Riverside.

Huang, Y-F. (2012)," Forecasting Chinese Inflation and Output: A Bayesian Vector Autoregressive Approach", MPRA Paper No. 41933, posted 17.

Kadiyala, K. R . and Karlsson, S. (1997),"Numerical Methods for Estimation and Inference in Bayesian VAR-models", Journal of Applied Econometrics 12. PP: 99-132.

Koop, G. and Korobilis, D. (2010), "Bayesian Multivariate Time Series Methods for Empirical Macroeconomics", manuscript available at http://personal.strath.ac.uk/gary.koop/.

Krainz, D. (2011), "An Evaluation of the Forecasting Performance of Three Econometric Models for the Euro zone and the USA," WIFO Working Paper No. 399.

Litterman, R. (1984), "Forecasting and Policy Analysis with Bayesian Vectorauto Regression Models", Federal Reserve Bank of Minneapolis, Quarterly Review, No. 4. PP: 30-41.

Litterman, R. (1986), "Forecasting with Bayesian VectoAutoregressions–five Years of Experience", Journal of Business and Economic Statistics, No, 4. PP: 25-38.

Marcellino, M. Stock, J. H. and Watson, M. (2006), "A Comparison of Direct and Iterated Multistep AR Methods for Forecasting Macroeconomic Time Series", Journal of Econometrics, vol. 135(1-2), pp: 499-526.

Nobili, A. (2005),"Forecasting Output Growth and Inflation in the Euro Area: Are Financial Spreads Useful?", Bank of Italy, Economic Research Department, N. 544, PP: 7-23.

Racette, D. and Sigouin, C. (1995), "An Up-to-Date and Improved BVAR Model of the Canadian Economy", Bank of Canada, Working Paper. NO. 94. PP: 6-29

Sims, C. and Zha, T. (1998), "Bayesian Methods for Dynamic Multivariate Models", International Economic Review. No. 39(4), pp: 949-968.

Sims, C.A. (1980), "Macreconomic and Reality", Econometrica. Vol. 48. pp: 1-48.

آمار
تعداد مشاهده مقاله: 2,878
تعداد دریافت فایل اصل مقاله: 2,253


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب
login