مساعدت الگوهای اقتصادسنجی فصلی در پیش بینی CPI شهر تهران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد گروه اقتصاد کشاورزی پردیس کشاورزی دانشگاه تهران

2 دانشجوی دکترای اقتصاد کشاورزی پردیس کشاورزی دانشگاه تهران

چکیده

این تحقیق برای پیش­بینی شاخص CPIبا استفاده از داده­های سری زمانی صورت گرفته است. الگوی به کار رفته در پیش­بینی الگوی میانگین متحرک هم‌انباشته خودتوضیحی فصلی (SARIMA)و بسط الگوی میانگین متحرک هم‌انباشته خودتوضیحی (ARIMA) است. داده­های سری زمانی در فاصله سال‌های 1381 تا 1388 مربوط به شاخص بهای کالاها و خدمات مصرفی در شهر تهران از بانک مرکزی جمهوری اسلامی ایران اخذ شده است. این داده­ها ابتدا از جنبه‌های مختلف برای سازگاری با مدل مانند ریشه واحد فصلی مورد آزمون قرار گرفت. پس از برازش ، مدل از نظر آماری برای تمام ضرایب رگرسیون خودتوضیحی معمولی و میانگین متحرک معمولی در سطح 1 درصد معنادار شد و پس از تعیین الگوی برتر با استفاده از آن، پیش­بینی مقادیر کوتاه­مدت ماهیانه شاخص بهای کالاها و خدمات مصرفی در شهر تهران و مقایسه آن با مقادیر واقعی صورت گرفت. شاخص (MAPE) نشان داد، خطای متوسط 68/1 درصد بوده که بیان­کننده قدرت پیش­بینی بالای الگوی برازش شده است و نشان می­دهد که نتایج این الگو می­تواند نقش مهمی را در بهینه­سازی برنامه­های کنترل تورم و کارایی سیاست­های پولی و مالی داشته باشد.

کلیدواژه‌ها


Arnade, C. and D. Pich (1998), Seasonality and Unit Roots: the Demand for Fruits, Agricultural Economics.

Beaulieu, J.J. and Miron, J.A (1993), Seasonal Unit Roots in Aggregate US Data, Journal of Econometrics, 55.

Campbell, H.E (2004), Prices, Devices, People, or Rules: The Relative Effectiveness of Policy Instruments in Water Conservation. Rev. Pol. Res., 21

Canova, F. and B.E. Hansen (1995), Are Seasonal Patterns Constant over Time? A Test for Seasonal Stability. Journal of Business and Economic Statistics, 13.

Enders, W (1995), Applied Econometric Time Series. John Wiley & Sons, INC. New York.

Eric, A (2010), Modeling and Forecasting Inflation Rates in Ghana: an Application of SARIMA Models, dissertation submitted to the School of Technology and Business Studies, Hogskolan Dalarna in Partial Fulfillment of the Requirement for the Award of Master of Science Degree in Applied Statistics.

Franses P.H (1991), Seasonality, Non-seasonality and the Forecasting of Monthly time Series, International Journal of Forecasting.

Franses, P.H. and B. Hobijn (1997), Critical Value for Unit Root Tests in Seasonal Time Series, Journal of Applied Statistics, 24.

Griffin, R. and R. Sickles (2001), Demand Specification for Municipal Water Management: Evaluation of the Stone-Geary Form. Land Economics, 77(3).

Halim, S. and Bisono, I.N (2008), Automatic Seasonal Autoregressive Moving Average Models and Unit Root Test Detection. International Journal of Management Science and Engineering Management, 3(4).

Hamilton, J.D (1994), Time Series Analysis, Princeton Univ, Press, Princeton New Jersey.

Hylleberg, S., Engle, R., Granger, C.W.J. and B.S. Yoo (1990), Seasonal Integration and Cointegration, Journal of Econometrics, 44.

Kaïka, M (2003), The Water Framework Directive: a new Directive for a Changing Social, Political and Economic European Framework, European Planning Studies, 11(3).

Kihoro, J.M., Otieno, R.O., and C. Wafula (2004), Seasonal Time Series Forecasting: A Comparative Study of ARIMA and ANN Models, African Journal of Science and Technology, 5(2), 41-49.

Kirchgässner, G. and J. Wolters (2007), Introduction to Modern Time Series Analysis. Springer-Verlag Berlin Heidelberg.

Kleiber, C. and Zeileis, A (2008), Applied Econometrics with R. Springer Science Business Media, LLC, NY, USA.

Jain A., Varshney A.K., and U.C., Joshi (2001), Short-term Water Demand Forecast Modeling at IIT Kanpur using Artificial Neural Networks. Water Resources Management, 15.

Maniatis, P (2009), Forecasting Brussels Airport Passengers: Comparison between SARIMA and Exponential Smoothing Forecasting Techniques. The Business Review, 13(1).

Pearce, D. (1999), Pricing Water: Conceptual and Theoretical Issues, Paper for European Commission for the Conference on Pricing Water: Economics, Environment and Society. Portugal: Sintra.

Pfaff, B. (2008), Analysis of Integrated and Cointegrated Time Series with R. 2Ed, Springer Science Business Media, LLC, NY, USA.

Renwick, M. and S. Archibald, (1998), Demand Side Management Policies for Residential Water Use: Who Bears the Conservation Burden? Land Economics, 74(3).

Shumway, R.H. and D.S. Stoffer, (2006), Time Series Analysis and Its Applications with R Examples, 2Ed, Springer Science Business Media, LLC, NY, USA.

Taylor, A.M.R. (1997), On the Practical Problems of Computing Seasonal Unit Root Tests. International Journal of Forecasting, 13.

Tietenberg T (1996), Environmental and Natural Resources. Harper Collins. N.