الگوئی برای نمایش چشم‌اندازی از تراز تجاری کشور به روش رگرسیونی داده‌های ترکیبی با تواتر متفاوت

محورهای موضوعی : اقتصاد مالی

محمد نو فرستی ¹ , سمانه جواهر دهی ²

1 - دانشیار گروه اقتصاد دانشگاه شهید بهشتی، تهران، ایران،
2 - کارشناس ارشد اقتصاد دانشگاه شهید بهشتی، تهران، ایران

تاریخ دریافت : 1396/01/26 تاریخ پذیرش : 1396/03/29 تاریخ انتشار : 1396/06/01

کلید واژه: C53, E27, F21, واژه‌های کلیدی: الگوی داده‌های ترکیبی با تواتر متفاوت, تراز تجاری, واردات, صادرات غیر نفتی. طبقه بندی JEL : F10,

چکیده مقاله :

هدف این مقاله طراحی و ارائه الگوئی است که بتواند با توجه به اطلاعاتی که به صورت فصلی انتشار می‌یابند در پیش‌بینی اولیه سالانه واردات وصادرات تجدید نظر کرده و پیش‌بینی های نزدیک تر به واقعیت را ارائه کند. برای این منظور از الگوی داده‌های ترکیبی با تواتر متفاوت ([i]MIDAS) که امکان می‌دهد متغیرهای سری زمانی با تواترهای متفاوت سالانه، فصلی و حتی روزانه در کنار هم در یک رگرسیون قرار گیرند، استفاده شده است. در الگوهای برآورد شده، به کمک نرم افزار R، از آمارسالانه واقعی واردات کالایی ، صادرات کالایی، صادرات کل و متغیرهای فصلی تولید ناخالص داخلی واقعی، نرخ ارز واقعی و نوسانات نرخ ارز واقعی در محدوده سال‌های 1367 تا1393 استفاده شده است. اطلاعات مربوط به سال 1393 در برآورد اولیه رابطه، استفاده نشده تا بتوان براساس آن قدرت پیش بینی الگو را خارج از محدوده برآورد محک زد. درنهایت الگوی تنظیمی مقدار واقعی تراز تجاری را برای سال 1393 که معادل 16404میلیون دلار است ،تنها با حدود 5/0 درصد خطا معادل16310 میلیون دلار پیش‌بینی می‌کند. این امر مبین قدرت پیش‌بینی دقیق الگو در رابطه با تراز تجاری کشور است. 3.Mixed frequency Data Sampling The current article aims at designing and presenting a model which can revise the initial prediction of annual exports and imports and present closer to reality predictions based on seasonal diffused data. To this purpose, mixed frequency data sampling model was used which allows time series variables with different annual, seasonal and even daily frequencies to be placed beside each other in a regression. In the assessed model using R software, the effect of seasonal variables such as GDP, Exchange rate, Exchange rate fluctuations on non-oil exports and the effect of seasonal GDP, Exchange rate, Exchange rate fluctuations and annual total exports on imports are statistically meaningful. The model is estimated by using time series data during the years 1367 until 1393. The specified regression model, which is estimated by using time series data, predicts the real amount of annual Trade balance for 2015, which was 16404 million dollars, as 16310 million dollars with a tiny error of almost 5%. it can be concluded that the model forecast is satisfactory. Keywords: Mixed frequency Data Sampling (MIDAS), Trade Balance, Export, Import. Classification JEL: F21, F10, C53, E27.

منابع و مأخذ:

1)    بیات، محبوبه و نوفرستی،محمد (1394)، اقتصاد سنجی کاربردی سری های زمانی: الگوهای ترکیبی با تواتر متفاوت، تهران ،نشر نور علم، چاپ اول.

2)    درخشان ،مسعود (1374)، اقتصاد سنجی: جلد اول؛ تک‌‍معادلات با فروض کلاسیک(جزءاول)، تهران، نشر سمت، چاپ اول.

3)    سپانلو، هاشم و قنبری،علی (1389)،"بررسی عوامل موثر بر تقاضای واردات ایران به تفکیک کالای واسطه‌ای"، سرمایه‌ای و مصرفی، فصلنامه پژوهشنامه بازرگانی، شماره 57. صص 233-209.

4)    سوری،علی (1393،)، اقتصادسنجی (جلد2) همراه با کاربرد& Stata 12  Eviews8  ، نشر فرهنگ‌شناسی، چاپ دوم.

5)    صیادی، فاطمه و مقدسی، رضا (1394)،" اثر قیمت انرژی بر قیمت غلات با استفاده از الگوهای رگرسیونی  با داده­های مختلط"، فصلنامه علمی-پژوهشی مطالعات اقتصادی کاربردی ایران، 15(4)، صص 149-160.

6)    رجبی، ژاله و مقدسی، زهرا (1393)،" به کارگیری الگوهای رگرسیونی شامل داده‌های مختلط در  مدل سازی و پیش‌بینی ارزش واردات گندم ایران(روش ARDL تعمیم یافته مبتنی بر OLS)"، نشریه اقتصاد و توسعه کشاورزی، 2(28)، ص‌ص 148-138.

7)     Alper C.E., Fendoglu S. & Saltoglu B. )2008( ,“Forecasting Stock Market Volatilities Using MIDAS Regressions: An Application to the Emerging Markets”,Discussion paper, MPRA Paper No. 7460.

8)     Bessec, M, Bouabdallah, O.(2012) Forecasting GDP over the Business cycle in a Multi-Frequency and Data-Rich Environment, Oxford Bullentin of Economics and Statistics.

9)     Clements M.P., Galvao A.B. (2006) “Macroeconomic Forecasting with Mixed Frequency Data: Forecasting US Output Growth and Inflation”. Warwick Economic Research Paper No.773, University of Warwick.

10)  Clements M.P., Galvao A.B. & Kim J.H. (2008), “Quantile forecasts of daily exchange rate returns from forecasts of realized volatility”, Journal of Empirical Finance 15, 729-750.

11)  Clements M.P., Galvao A.B. (2009) “Forecasting US Output Growth using Leading Indicators: An appraisal using MIDAS models”. Journal of Applied Econometrics (forthcoming).

12)  Clements M.P., Galvao A.B. (2008). “Macroeconomic Forecasting with Mixed Frequency Data: Forecasting US output Growth”. Journal of Business and Economic Statistics 26, 546-554.

13)  Engle, R. F., Ghysel, E. & Sohn B. (2008) “On The Economic Sources of Stock Market Volatility”. Discussion Papar NYU and UNC.

14)  Forsberg L., Ghysels E. (2006) “Why do absolute returns predict volatility so well?”. Journal of Financial Econometrics 6, 31-67.

15)  Ghysels, E. , Santa-Clara, & Valkano R. (2004). The MIDAS Touch :Mixed Frequency Data Sampling Regressions. Manuscript, University of North Carolina and UCLA.

16)  Ghyseles, E., Sinko, A., & Valkano R. (2006) “MIDAS regressions: Further results and new directions”. econometric Reviews, 2007, 26.

17)  Ghysels,E., Kvedaras, V. & ZEMLYS, V. (2014) “Mixed Frequency Data Sampling Regession Models: the Package midasr”. Journal of Statistical Software.

18)  Goldstein, M., Khant M.S. (1978) “The Real Exchange Rate and Macroeconomic Performance in  Sub-Saharan Africa”, Journal of Development Economics ,Vol. 60,NO.2,PP.275-286.

19)  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.

20)  Leon A., Nave J.M. & Rubio G. (2007), “The relationship between risk and expected return in Europe”. Journal of Banking and Finance 31, 495-512.

21)  Marcellino, M., Schumacher, C. (2007) ,“Factor-MIDAS for now- and forecasting with ragged-edge data: A model comparison for German GDP”. Deutsche Bundesbank Discussion Paper, and Series 1: Economic Studies, No. 34/07.

22)  Sarwar, G., Anderson, G.D. )1990), “Estimating U.S. soybean exports: A simultaneous supply-demand approach”. Journal of Economics Studies, 17:41-56.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

پیوست

نتایج آزمون پایایی متغیرهای الگو:

نتایج حاصل از پایایی متغیرهای راوابط واردات و صادرات غیرنفتی کالا

مرتبه جمع	prob	بحرانی	آماره	نام متغیر
I(1)	2320/0	6032/3-	7355/2-	MFO	واردات کالا به قیمت ثابت برحسب میلیون دلار(سالانه)
I(0)	0185/0	9550/1-	4027/2-	DMFO
I(1)	9627/0	5950/3-	6967/0-	XNO	صادرات غیرنفتی کالا به قیمت ثابت برحسب میلیون دلار(سالانه)
I(0)	0057/0	6032/3-	6304/4-	DXNO
I(1)	8077/0	4540/3-	5443/1-	LGDP	لگاریتم تولید ناخالص داخلی به قیمت ثابت بر حسب میلیارد ریال (فصلی)
I(0)	0001/0	4540/3-	3120/5-	DLGDP
I(1)	4223/0	4523/3-	3143/2-	LE	لگاریتم نرخ ارز واقعی (فصلی)
I(0)	0000/0	0469/4-	3023/10-	DLE
I(0)	0000/0	4527/3-	7368/5-	LGE	لگاریتم نوسانات نرخ ارز واقعی (فصلی)
I(1)	7837/0	5950/3-	5528/1-	LX	لگاریتم صادرات کل به قیمت ثابت بر حسب میلیون دلار(سالانه)
I(0)	0053/0	6032/3-	6628/4-	DLX

منبع: یافته‌های پژوهشگر

مقدار احتمال برای تمامی آماره های آزمون کوچکتر از 05/0 است

 

یادداشت‌ها