پيش بيني رشد اقتصادي ايران: مقايسه ي مدل هاي سري زماني تك متغيره و چند متغيره

A Forecasting Economic Growth of Iran: Univariate Versus Multivariate Time

در پژوهش حاضر سعي شده است با استفاده از آمار و اطلاعات مربوط به دوره ي 1385-1338 رشد اقتصادي ايران توسط برخي از روش هاي متداول سري زماني پيش-بيني شود. با مقايسه ي عملكرد پيش بيني هاي درون نمونه اي براي افق هاي يكساله، سه ساله و پنج ساله، اقدام به گزينش روش برتر در هر افق زماني شده است و سپس رشد اقتصادي ايران براي دوره هاي متفاوت خارج از نمونه با روش هاي برتر، پيش بيني شده است. روش هاي مورد استفاده در اين پژوهش در دو دسته روش هاي تك متغيره (شامل الگوريتم باكس جنكينز و مدل حالت-فضا) و روش هاي چند متغيره (شامل مدل اتورگرسيو برداري و مدل تصحيح خطاي برداري) دسته بندي شده اند. نتايج پژوهش حاكي از اين است كه روش هاي تك متغيره بطور كلي در پيش بيني رشد اقتصادي ايران بهتر عمل مي كنند. نتايج همچنين مبين اين است كه پيش بيني با روش هاي چندمتغيره به دليل حساسيت هاي موجود در اين روش ها شامل تصريح مدل، لحاظ خصلت مانايي سري هاي مورد نظر در مدل سازي و معيار مورد استفاده جهت تعيين تعداد وقفه ي بهينه، عملكردهاي متفاوتي را نشان مي دهند. با اين حال روش هاي چند متغيره توانايي پيش بيني دقيقتر از روش هاي تك متغيره را تنها در كوتاه مدت (در اين تحقيق يك سال) دارا مي باشند.

This article aimed to forecast Iranʹs economic growth rate using annual time series data released in the period of 1338-1385, employing various econometric approaches. To prefer the most appropriate method based on a time-duration consideration, we applied a package of proper diagnostic tests on the output of different models and then singled out the most fitted model accordingly. We used these preferred models to forecast economic growth rate in a different duration period. Two classes of econometric approaches were considered; univariate and multivariate methods. Univariate methods incorporate Box-Jenkins method and State-Space method and the multivariate ones consist of VAR and VEC techniques. Results indicate that univariate approaches forecast Iranʹs economic growth more accurately. However, multivariate methods, which demonstrate very sensitive to the time-series properties of the variables and also to the specification of the models, emerge volatile performance. Nevertheless, the current methods display more powerful in forecasting just-one period ahead.