چکیده:
این مقاله به ارزیابی عملکرد مدلهای BVAR با اطلاعات (Priors) متفاوت جهت بهبود پیش بینی تورم ایران در مقایسه با Litterman prior می پردازد. بدین منظور روش شبه بیزی با اطلاعات متعدد، برای یک مدل VAR از اقتصاد ایران در دوره زمانی 2007-1981 بکار گرفته شده است. ویژگی منحصر به فرد این مقاله استفاده از اطلاعات-g (g-prior) در مدلهای BVAR جهت تقلیل تورش در تخمین پارامتر drift مدل BVAR کلاسیک است. برخی نتایج مقاله بشرح زیر می باشند: 1) نتایج ما نشان می دهند که در چارچوب روش شبه بیزی، مدلهای BVAR با Normal-Wishart prior پیش بینی دقیق تری از تورم ایران ارائه می دهند. 2) همچنین نتایج نشان می دهند که عموما در مدلهای جمع وجور (Parsimonious) مدل BVAR با g-prior عملکرد بهتری نسبت به مدل BVAR با Litterman prior دارند.
This paper investigates the use of different priors to improve the inflation forecasting performance of BVAR models with Litterman’s prior. A Quasi-Bayesian method، with several different priors، is applied to a VAR model of the Iranian economy from 1981:Q2 to 2007:Q1. A novel feature with this paper is the use of g-prior in the BVAR models to alleviate poor estimation of drift parameters of Traditional BVAR models. Some results are as follows: (1) our results show that in the Quasi- Bayesian framework، BVAR models with Normal-Wishart prior provides the most accurate forecasts of Iranian inflation; (2) The results also show that generally in the parsimonious models، the BVAR with g-prior performs better than BVAR with Litterman’s prior.1
خلاصه ماشینی:
")sjutM aads…Ualsh11:)sTyddlsh1:nVLs2bAUycmUsT aduAuyaabsC,2DstydobMseaa ut5 yrosw,2DstydobsFy oeaMAMsAU ycmUsAUoscMosyFsoJA asuaFy taAuya aMs5 uy MlsAUo3seaaayAs0oscModsAysmoAsaeec aAosFy oeaMAMsuastuJodsd uFA tydobMLsxuJodsd uFAstydobMsa os oFo odsAysaMsAUostae yoeyaytue Fy oeaMAuamstydobMs7UueUseyaAauasra ua0boMs0yAUs7uAUsaads7uAUycA d uFALspasAUoMostydobMlsT aduAuyaabsC,2DstydobMsA oaAsabbsra ua0boMsua AUostydobsuasAUosMatos7a3saadscMosduFFcMos5 uy syasAUoseyaMAaaAsAo t aadsMU uaIsAUosd uFAsAo tMsAy7a dsKo yLsTUuMs7ycbdse oaAos0uaMsuasAUo Fy oeaMAMsyFsAUyMosra ua0boMLsTUuMseycbds0osyaosyFsAUos5yMMu0bos oaMyaM 0oUuads AUos 7oaIs oMcbAMs yFs oeoaAs MAcduoMs yas Fy oeaMAuam tae yoeyaytuesra ua0boMscMuamsasC,2Ds7uAUszuAAo taa"Ms5 uy iLspa AUosbuAo aAc olsAUos5o Fy taaeosyFsAUosT aduAuyaabsC,2DstydobMsUaM 0ooasMyto7UaAscaut5 oMMurosuasuaFbaAuyasFy oeaMAuamlsaMsasd uFAboMM ra ua0bos@MoolsoLmLlsHouda ulsivhh)sGoaa3soAsabLlsh11:)szuAAo taalsh1:') xe(ooMlsh1:')sDy0o AMyasaadsTabbtaalsh111)s;o00lsh116)s…a ay7uAK aadsC acalsh11iVL TUuMs5a5o suaroMAumaAoMsAUoscMosyFsduFFo oaAs5 uy MsAysut5 yrosAUo uaFbaAuyasFy oeaMAuams5o Fy taaeosyFsT aduAuyaabsC,2DstydobMLs2 ayrobsFoaAc osyFsAUuMs5a5o suMsAUoscMosyFsuaoJaeAs5 uy s oMA ueAuyaMsyFsmP 5 uy sAysAUosC,2DstydobMLsTysMAcd3s7UoAUo scMuamsmP5 uy suasAUo ScaMuPCa3oMuaas ,2Dls ut5 yroMsAUos ZcabuA3syFsAUos Fy oeaMAMs yF hLspas5c osCa3oMuaastoAUydlsabbsAUoMos5a atoAo Mseaas0osoMAutaAodsaadsabMysFy oeaMAMsa o eyaduAuyaodsyasoJ5oeAodsrabcoML iLsHouda usaadsNa ruas@Fy AUeytuamVsuaroMAumaAoMsAUosFy oeaMAsaeec ae3syFsduFFo oaAsC,2D tydobMs7uAUsduFFo oaAsMyc eoMsyFsAutosra uaAuyasFy sFy oeaMAuamsp aauaasuaFbaAuyaLsTUo3sMUy7 AUaAsastyduFuodsAutoPra 3uamsC,2Dstydobls7Uo osAUosacAy om oMMuroseyoFFueuoaAMsa osUobd eyaMAaaAsaadsyab3sAUosdoAo tuauMAueseyt5yaoaAMsa osabby7odsAysra 3syro sAutols5o Fy tMstceU 0oAAo sAUaasyAUo stydobMs oma dboMMsyFsAUosact0o syFsbamMlsU35o 5a atoAo sAUaAseyaA ybMsAuto ra uaAuyalsaadsFy oeaMAsUy uKyaML ': JoulfulEcmRolueEmsEh. mlmwf."