پيش گويي نرخ بيكاري ايران بر اساس مدل‌هاي طولي از ديدگاه بيزي، مطالعۀ موردي سال 1395

Prediction of unemployment rate of Iran based on longitudinal model in Bayesian paradigm

دشواري روزافزون گردآوري اطلاعات به روش‌هاي سنتي به دليل پيچيدگي‌هاي امروزي جوامع آماري، نياز به مطالعه براي دگرگوني يا بهنگام‌سازي روش‌هاي آمارگيري را ضروري كرده است. استفاده از ديگر منابع داده‌ها و مدل‌سازي، از روش‌هايي هستند كه مي‌توانند به‌عنوان جايگزين روش‌هاي آمارگيري به‌كار رفته يا به افزايش دقت برآورد‌ها و استنباط‌هاي ناشي از آمارگيري‌هاي سنتي ياري رسانند. منابع اطلاعاتي ناشي از داده‌هاي پيشين (مانند آمارگيري‌هاي گذشته يا داده‌هاي ثبت‌شده) همواره يكي از مهمترين منابع اطلاعاتي براي اين منظور هستند. بنابراين در اين مقاله براي اولين‌بار در ايران با به‌كارگيري روش‌هاي استنباط و مدل‌سازي بيزي، به پيشگويي نرخ بيكاري ايران مي‌پردازيم. داده‌هاي مورد استفاده در اين مقاله، داده‌هاي برگرفته شده از نتايج آمارگيري سال‌هاي 1384 الي 1395 مركز آمار ايران است و با توجه به طولي بودن اين داده‌ها از روش بيزي براي داده‌هاي طولي در پيش‌گويي استفاده شده است. استفاده از روش‌هاي بيزي در داده‌هاي آمار رسمي در ايران بي‌سابقه و در جهان كم‌سابقه است. بنابراين در اين مقاله تلاش شده كه كاربرد اين روش‌ها براي تحليل داده‌هاي مربوط به آمار رسمي، امكان‌سنجي شوند كه با توجه به مهم بودن موضوع اشتغال و بيكاري در عرصه اجتماعي و اقتصادي كشور و تأثير پذيرفتن بسياري از تصميم‌ها و سياست‌هاي كشور از اين مقوله، در اين مقاله،‌ پيش‌گويي نرخ بيكاري، به‌عنوان اولين مطالعه عملي در دستور كار قرار گرفت. نتايج به دست آمده از محاسبات اين مقاله، در مقايسه با مقادير مشاهده شده از نتايج آمكارگيري مزبور از دقت قابل قبولي برخوردار هستند كه امكان استفاده از مدل‌هاي پيش‌گويي بيزي را در ديگر آمارگيري‌ها به شدت مطرح مي‌سازد. اين‌كار موجب تحولي در تحليل نتايج اين‌گونه آمارگيري‌ها، كاهش هزينه و افزايش دقت و ابزار راست آزمايي نتايج خواهد بود.

The increasing difficulty of collecting data in traditional ways, due to the complexity of today's societies, necessitates the need to study to change or update statistical methods. Using other data sources and model-based techniques are some of the methods that can be used as alternatives to increase the accuracy of statistical estimates and inferences. Information sources from previous data (such as past censuses or recorded data) are always one of the most important sources for this purpose. Therefore, in this article for the first time in Iran's Statistical System, we predict the unemployment rate by using Bayesian inference and methods. Unemployment rate, as one of the most important socio-economic indicators of a country, has a great importance rule for micro and macroeconomic programing and policy making in national level.