اهمیت تصریح معادلات رگرسیونی در برآورد نااطمینانی متغیرهای اقتصاد کلان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری اقتصاد، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان

2 دانشیار اقتصاد، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان

چکیده

در این مطالعه اندازه‌گیری نااطمینانی متغیرهای اقتصاد کلان مورد توجه قرار گرفته است. با توجه به اینکه نااطمینانی به‌طور مستقیم قابل مشاهده و انداز‌ه‌گیری نیست، پژوهشگران جانشین‌های مختلفی برای اندازه‌گیری آن پیشنهاد داده‌اند. یکی از روش‌های رایج برای برآورد این نااطمینانی‌ها، استفاده از الگوهای سری زمانی است. در این روش، برآورد مناسب و دقیق از نااطمینانی مستلزم تصریح درست معادلات رگرسیونی است. با در نظر گرفتن این موضوع، نااطمینانی برای چند سری زمانی کلیدی در اقتصاد ایران برآورد و سپس برآوردهای الگوی مبنا با الگوهای دیگر مقایسه شده‌ است. نتایج به‌دست آمده بیانگر این هستند که برآوردهای نااطمینانی در این سری‌ها به طرز معنی‌داری تحت تأثیر تصریح معادلات رگرسیون پیش‌بینی‌کننده قرار می‌گیرند. تفاوت بین برآوردهای انجام شده در طول زمان برای این سری‌ها که در برخی دوره‌ها کاملا قابل مشاهده است، نشان می‌دهد که بیشتر تغییرات در این سری‌ها قابل پیش‌بینی هستند و نبایست به نااطمینانی نسبت داده شوند. همچنین ارزیابی دقت پیش‌بینی نااطمینانی در الگوهای مختلف بیانگر عملکرد بهتر الگوهای نوسان تصادفی و GARCH نامتقارن در دوره‌های پیش‌بینی درون نمونه‌‌ای و خارج از نمونه‌ای است.
طبقه‌بندی JEL: C5 ,C52, E17

کلیدواژه‌ها


عنوان مقاله [English]

The Importance of Regression Equations Specification in Measuring Uncertainty of Macroeconomic Variables

نویسندگان [English]

  • Reza Heybati 1
  • saeid samadi 2
  • mohammad vaez barazani 2
1 PhD Candidate of Economics, Faculty of Administrative Sciences & Economics, University of Isfahan
2 Associate Professor of Economics, Faculty of Administrative Sciences & Economics, University of Isfahan
چکیده [English]

In this study measuring of uncertainty related to macroeconomic variables has been considered. Given that uncertainty is not directly observable and measurable, researchers suggest different proxies for its measuring. One of the popular approaches in the related literature is based on time series models. In this approach, the proper measurement of uncertainty requires correct specification of regression equations. Accordingly, we estimate the uncertainty estimates of the baseline model for several key series in Iran’s macro dataset and compare it to the corresponding estimates of the alternative models. Our results show that uncertainty estimates of macro variables are affected by the specification of the forecasting regression equations. The difference over time between the estimates for these variables is quite pronounced in some periods, suggesting that much of the variation in these series is predictable and should not be attributed to uncertainty. Finally, evaluation of the uncertainty forecasting accuracy of the models shows that the SV and asymmetric GARCH models have better performance for the in-sample and out-of-sample periods, respectively.
JEL Classification: C5 ,C52, E17

کلیدواژه‌ها [English]

  • uncertainty
  • Time series models
  • Forecasting Equation
  • Stochastic Volatility
هیبتی، رضا، شجری، هوشنگ و صمدی، سعید (۱۳۹۶). اندازه‌گیری نااطمینانی در  اقتصاد کلان. فصلنامه‌ی پژوهش‌های پولی- بانکی، شماره ۲۸، ۲۵۰-۲۲۳.

Aastveit, K. A., Natvik, G. J., & Sola, S. (2013). Economic uncertainty and the effectiveness of Monetary Policy. Norges Bank Research Working Papers Series17.

Andersen, T.G., Bollerslev, T., & Meddahi, N. (2005). Correcting the errors: Volatility forecast evaluation using high-frequency data and realized volatilities”. Econometrica 73, 279–296.

Bachmann, R., Elstner, S.,  & Sims, E. R. (2013). Uncertainty and economic activity: Evidence from business survey data. American Economic Journal: Macroeconomics April(5(2)), 217–249.

Bai, J., & Ng, S. (2002). Determining the number of factors in approximate factor  models, Econometrica 70 (1), 191–221.

Bai, J., & Ng, S. (2008). Forecasting economic time series using targeted predictors, Journal of Econometrics 146 (2): 304–17.

Baker, S. R., Bloom, N., & Davis, S. J. (2016). Measuring economic policy  uncertainty.The Quarterly Journal of Economics 131(4), 1593–1636.

Blanchard, O. & Simon, J. (2001). The long and large decline in U.S. output volatility. Brookings Papers on Economic Activity 1(1), 135–174.

Bloom, N. (2009). The Impact of uncertainty shocks. Econometrica 77(3), 623–  685. Bloom, N. (2014). Fluctuations in uncertainty. Journal of Economic Perspectives  28(2), 153–176.

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity.  Journal of Econometrics 31, 307–327.

Bomberger, W. A. (1996). Disagreement as a measure of uncertainty, Journal of Money, Credit and Banking 28,  381-391.

Bomberger, W. A. (1999). Disagreement and uncertainty, Journal of Money, Credit and Banking 31, 273-276.

Bos, C.S. (2012). Relating stochastic volatility estimation methods. In: Handbook of  Volatility Models and their Applications, John Wiley & Sons, Inc., 147–174.

Campbell, S., D. (2007). Macroeconomic volatility, predictability, and uncertainty in   Great Moderation: Evidence from the Survey of Professional Forecasters, Journal  of Business & Economic Statistics, 25(2),191-200.

Chua, C. L., Kim, D., & Suardi, S. (2011). Are empirical measures of
macroeconomic uncertainty alike? Journal of Economic Surveys 25(4), 801–827.

Clements, M. P. (2014). Forecast uncertainty ex-ante and ex- post: US inflation and  output growth, Journal of Business and Economic Statistics, 32, 206–216.

Engle, R., F. (1982). Autoregressive conditional heteroscedasticity with estimates of   the variance of UK inflation, Econometrica 50, 987–1008.

Fernández-Villaverde, J., Guerrón-Quintana, P., Kuester, K., & Rubio-Ramírez, J. (2015). Fiscal volatility shocks and economic activity. American Economic   Review 105(11), 3352–3384.

Ghosal, V., & Ye, Y. (2015).Uncertainty and the employment dynamics of small  and large businesses. Small Business Economics, 44(3), 529–558.

Ghysels, E., Harvey, A.C., & Renault, E. (1996). Stochastic volatility. In: Maddala, G.S., Rao, C.R. (Eds.), Handbook of Statistics, vol. 14. North-Holland,  Amsterdam.

Giovannoni, F., & de Dios Tena, J. (2008). Market concentration, macroeconomic  uncertainty and monetary policy. European Economic Review 52(6), 1097–1123.

Giordani, P. & Söderlind, P. (2003). Inflation Forecast Uncertainty. European  Economic Review 47, 1037–1059.

Glosten, L.R., Jagannathan, R., & Runkle, D. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. Journal  of Finance 48, 1779–1801.

Grier, K.B. & Perry, M.J. (1998). On inflation and inflation uncertainty in  the G7 countries, Journal of International Money and Finance, 17, 671-689.

Hull, J., & White, A. (1987). The pricing of options on assets with stochastic  volatilities, The Journal of Finance 42, 281–300.

Harvey, A.C., Ruiz, E., & Shephard, E. (1994). Multivariate stochastic variance  models. Review of Economic Studies 61, 247–264.

Jacquier, E., Polson, N.G., & Rossi, P.E. (1994). Bayesian analysis of stochastic volatility models. Journal of Business & Economic Statistics 12, 371–417.

Jurado, K., Ludvigson, S. C.,  & Ng, S. (2015). Measuring uncertainty, American Economic Review 105(3), 1177–1216.

Kastner, G. (2016). Stochvol: Efficient bayesian inference for stochastic volatility (SV) models. R Package Version 0.5-0.

Kim, S., Shephard, N., & Chib, S. (1998). Stochastic volatility: Likelihood inference  and comparison with ARCH models, Review of Economic Studies 65, 361–393.

Knight, F.H. (1921), Risk, uncertainty and profit, Sentry Press.

Mankiw, N., Reis, R., & Wolfers, J. (2003). Disagreement about inflation expectations, NBER Macroeconomic Annual, 18:209–248.

Marakova, S.  (2014). Risk and uncertainty: Macroeconomic perspective,  Economics and Business Working Paper No.129.

Nelson, D. B. (1991). Conditional heteroskedasticity in asset pricing: a new  approach. Econometrica 59, 347–370.

Rich, R., & Tracy, J. (2010). The relationship among expected inflation, disagreement, and uncertainty: Evidence from matched point and density forecasts, The Review of Economics and Statistics, 92(1),200–207.

Shephard, N. (1996). Statistical aspects of ARCH and stochastic volatility models, In: Cox, D.R., Hinkley, D.V., Barndorff-Nielsen, O.E. (Eds.), Time Series Models in Econometrics, Finance and Other Fields. Chapman and Hall, London, pp. 1–67.

Stock, J. H., & Watson, M. W. (2007). Why Has U.S. Inflation Become Harder to Forecast? Journal of Money, Credit and Banking, 39(1):3–33.

Taylor, S.J. (1986). Modeling financial time series. Wiley, Chichester.

Zarnowitz, V., & Lambros, L. A. (1987). Consensus and uncertainty in economic prediction, Journal of Political Economy, 95, 591-621.

Zarnowitz, V., & Lambros, L. A. (1987). Consensus and uncertainty in economic prediction, Journal of Political Economy, 95, 591-621.