بررسي عملكرد رگرسيون‌ داده‌هاي تركيبي با تواتر متفاوت در پيش‌بيني تورم فصلي ايران

Evaluation of Mixed-Frequency Regressions in Forecasting Seasonal Inflation Rate of Iran

اين مطالعه به بررسي قدرت پيش‌بيني مدل‌هاي خودرگرسيون با داده‌هاي با تواتر متفاوت در پيش‌بيني نرخ تورم فصلي براي اقتصاد ايران مي‌پردازد. به اين منظور، دقت پيش‌بيني مدل‌هاي خودرگرسيوني كه از وقفه‌هاي ماهانه نرخ تورم استفاده مي‌كنند در برابر مدل‌ پايه‌اي كه از اطلاعات فصلي تغذيه مي‌كند، مقايسه شده‌ است. نتايج نشان مي‌دهد كه استفاده از مشاهدات ماهانه نرخ تورم در پيش‌بيني تورم فصلي غالبا منجر به بهبود دقت نتايج در پيش‌بيني تورم شده است. اين بهبود بطور ويژه خود را در پيش‌بيني‌ يك گام به جلو نشان مي‌دهد. در ميان الگو‌هاي مورد بررسي، رگرسيون‌هاي ميداس عمدتا در افق‌هاي پيش‌بيني يك گام، سه گام و چهار گام به جلو نسبت به مدل پايه از دقت بالاتري برخوردار بوده‌اند. مدل وزن‌دهي گام به گام كه داراي تعداد پارامترهاي زيادي است، نسبت به مدل رگرسيون ميداس كه داراي ويژگي‌هاي غيرخطي و تعداد پارامتر محدودتري است، پيش‌بيني‌هاي نسبتا دقيق‌تري ارائه كرده است.

This paper evaluates the predictive ability of mixed-frequency autoregressive models in forecasting seasonal inflation rate of IRAN economy. For this, forecasting accuracy of models with monthly lags of inflation rate are compared with a benchmark model which uses seasonal lags. Results indicate incorporating monthly lags, instead of seasonal lags, improves the accuracy of seasonal forecasts, especially for 1-step ahead forecasts. Among mixed-frequency models, MIDAS regressions are more accurate than the benchmark model in 1-step, 3-step and 4-step ahead forecasts. Step-weighting model which features proliferation of parameters outperforms the MIDAS regression which is non-linear and parameter efficient in estimation.