دوره 12، شماره 44 - ( 4-1400 )
سال12 شماره 44 صفحات 104-85 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Noferesti M, Sezavar M. Predicting the Effects of New Sanctions and Evaluating Fiscal Policies in the Context of a Macroeconomic Model with Mixed-Frequency Data Sampling for the Iranian Economy Under Sanctions. jemr 2021; 12 (44) :85-104
URL: http://jemr.khu.ac.ir/article-1-2150-fa.html
URL: http://jemr.khu.ac.ir/article-1-2150-fa.html
نوفرستی محمد، سزاوار محمدرضا. پیش‌بینی آثار تحریم‌های جدید و ارزیابی سیاست‌های مالی در چارچوب یک الگوی کلان‌سنجی با داده‌های ترکیبی تواتر متفاوت برای اقتصاد ایران در شرایط تحریم. تحقیقات مدلسازی اقتصادی. 1400; 12 (44) :85-104
محمد نوفرستی1 
، محمدرضا سزاوار* 2
، محمدرضا سزاوار* 2
1- دانشگاه شهید بهشتی
2- دانشگاه شهید بهشتی ،m_sezavar@sbu.ac.ir
2- دانشگاه شهید بهشتی ،
چکیده: (2963 مشاهده)
در اقتصاد ایران که تحریم‌های مختلفی را تجربه نموده، پیش‌بینی متغیرهای کلان اقتصادی به هنگام اعمال تحریمِ جدید ضروری بوده و از سویی در شرایط تحریم، امکان ارزیابی دقیق‌تری از سیاست‌های اقتصادی مورد انتظار است تا امکان واکنش به موقع به این شوکها و لزوم برنامه‌ریزی متناسب و ایجاد ایمنی در برابر آن‌ها ایجاد گردد. از اینرو در مطالعه حاضر، از یک الگوی کلان‌سنجی داده‌های ترکیبی با تواتر متفاوت بهره گرفته شده است که ضمن داشتن دقت بالا در پیش‌بینی، این امکان در آن فراهم است که وقتی اطلاع جدیدی در مورد متغیرهای پرتواتر بدست آید، بر اساس آن در پیش‌بینی قبلی ارائه شده برای متغیر وابسته کم‌تواتر الگو، تجدید نظر کرد. الگو متشکل از 27 معادله رفتاری،8 معادله ارتباطی و 33 رابطه تعریفی و اتحادی است و پارامترهای الگو به کمک داده‌های سری زمانی در محدوده سال‌های 1338 تا 1396 برآورد شده‌اند. نتایج پیش‌بینی نشان می‌دهد که استفاده از مشاهدات جدید در متغیرهای با تواتر بالا در الگو، منجر به بهبود دقت نتایج در پیش‌بینی متغیرهای درون‌زای الگو شده است.
فهرست منابع
1. Andreou, E., Ghysels, E., & Kourtellos, A. (2010). Regression Models with Mixed Sampling Frequencies. Journal of Econometrics, 158(2), 246-261. [DOI:10.1016/j.jeconom.2010.01.004]
2. Andreou, E., Ghysels, E., and Kourtellos, A. (2013). Should macroeconomic forecasters use daily financial data and how? Journal of Business and Economic Statistics, 31(2):240-251. [DOI:10.1080/07350015.2013.767199]
3. Andreou, E., Ghysels, E., Kourtellos, A.(2011). Forecasting with mixed-frequency data. In: Clements, M., Hendry, D. (Eds.), Oxford Handbook of Economic Forecasting. Oxford University Press, Oxford, pp. 225-245 [DOI:10.1093/oxfordhb/9780195398649.013.0009]
4. Armesto, M. (2010); Forecasting with mixed frequencies, Federal Reserve Bank of Saint Louis 92, 521-536. [DOI:10.20955/r.92.521-36]
5. Breitung, J., Roling, C.(2015). Forecasting inflation rates using daily data: a nonparametric MIDAS approach. J. Forecast. 34 (7), 588-603. [DOI:10.1002/for.2361]
6. Chen, X., and E. Ghysels. (2011). News-good or bad-and its impact on predicting future volatility. Review of Financial Studies 24, 1, 46-81 [DOI:10.1093/rfs/hhq071]
7. Clements, M. P., & Galvão, A. B. (2008). Macroeconomic Forecasting with Mixed-Frequency Data: Forecasting Output Growth in the United States. Journal of Business & Economic Statistics, 26(4), 546-554. [DOI:10.1198/073500108000000015]
8. Clements, M. P., A. B. Galvão, and J. H. Kim. (2008). Quantile forecasts of daily exchange rate returns from forecasts of realized volatility. Journal of Empirical Finance 15:729-50. [DOI:10.1016/j.jempfin.2007.12.001]
9. Dargahi, Hassan (2016) Designing a Macroeconomic Model for Macroeconomic Foresight, Institute for management and planning studies(In Persian)
10. Foroni, C., & Marcellino, M. (2014). Mixed-Frequency Structural Models: Identification, Estimation, and Policy Analysis. Journal of Applied Econometrics, 29(7), 1118-1144. [DOI:10.1002/jae.2396]
11. Ghyseles, E., Sinko, A., & Valkano R. (2006) "MIDAS regressions: Further results and new directions". econometric Reviews, 2007, 26 [DOI:10.2139/ssrn.885683]
12. Ghysels, E. (2016). Macroeconomics and the Reality of Mixed Frequency Data. Journal of Econometrics, 193(2), 294-314. [DOI:10.1016/j.jeconom.2016.04.008]
13. Ghysels, E. , Santa-Clara, & Valkano R. (2004). The MIDAS Touch :Mixed Frequency Data Sampling Regressions. Manuscript, University of North Carolina and UCLA
14. Ghysels, E.(2016). Macroeconomics and the reality of mixed frequency data. J. Econ. 193 (2), 294-314. [DOI:10.1016/j.jeconom.2016.04.008]
15. Ghysels, E., & Wright, J. H. (2009). Forecasting Professional Forecasters. Journal of Business & Economic Statistics, 27(4), 504-516. [DOI:10.1198/jbes.2009.06044]
16. Ghysels, E., Marcellino, M. (2018). Applied Economic Forecasting Using Time Series Methods. Oxford University Press, Oxford, New York.
17. Ghysels, E., Qian, H., (2019). Estimating MIDAS regressions via OLS with polynomial parameter profiling. Economet. Stat. 9, 1-16. [DOI:10.1016/j.ecosta.2018.02.001]
18. Gotz, T. B., Hecq, A., and Urbain, J.-P. (2014). Forecasting mixed-frequency time series with ecm-midas models. Journal of Forecasting, 33(3):198-213. [DOI:10.1002/for.2286]
19. Kenneth Katzman(2020)Iran Sanctions,Congressional Research Service, RS20871 VERSION 307 · UPDATED
20. Klein, L.R., Sojo, E. (1989) Combinations of High and Low Frequency Data in Macroeconomic Models. in L.R. Klein and J. Marquez (EDS), Economics in Theory and practice: An Eclectic & Approach. Kluwer Academic Publishers, pp.3- 14 [DOI:10.1007/978-94-009-0463-7_1]
21. Makian, Seyed Nizamuddin, Tavaklian, Hossein and Seyed Mohammad Saleh Najafi Farashah (2019) Investigating the effect of direct tax shock on GDP and inflation in Iran in the framework of a stochastic dynamic general equilibrium model, Financial Economics Quarterly, Volume 13, Number 94, pp. 45-1(In Persian)
22. Noferesti, Mohammad (2019) Macroeconomic Modeling in Iran, Volume One, Shahid Beheshti University, Printing and Publishing Center, First Edition(In Persian)
23. Noferesti, Mohammad (2019) Macroeconomic Modeling in Iran, Volume two, Shahid Beheshti University, Printing and Publishing Center, First Edition(In Persian)
24. Noferesti, Mohammad and Mohammad Reza Sezavar (2020) Constructing of a monthly index for sanctions against Iran, Quarterly Journal of Economic Strategy, Year 10, Issue 3, Series 38, pp. 565-593(In Persian)
25. Seong,Byeongchan (2020), Smoothing and forecasting mixed-frequency time series with vector exponential smoothing models, Economic Modelling, 91:463-468 [DOI:10.1016/j.econmod.2020.06.020]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
