نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای اقتصاد پولی دانشگاه علامه طباطبائی

2 استادیار دانشکده اقتصاد، دانشگاه علامه طباطبائی

3 استاد دانشکده اقتصاد، دانشگاه علامه طباطبائی

چکیده

مطالعات اولیه در پیش‌بینی تورم بیشتر در قالب منحنی فیلیپس سنتی بود که رابطه تورم و بیکاری براساس آن مفهوم پیدا می‌کرد، اما بعد از چند دهه و به خصوص بعد از نقد لوکاس، منحنی فیلیپس اولیه دچار تحولات شگرفی شد. منحنی جدید، تورم واقعی و انتظاری را نه به نرخ بیکاری، بلکه به مقیاسی از هزینه‌ نهایی کل مرتبط می‌سازد. از آنجا که هزینه‌ نهایی در الگوی اصلی منحنی فیلیپس نوکینزینی، تورم را تحریک می‌کند، موجب می‌شود که تدوین مدل‌هایی که در پیش‌بینی تورم کارا عمل کنند با مشکل روبه‌رو شوند. از این‌رو با استفاده از مدل TVP-DMA که توانایی رفع این عیوب را دارد، سعی در ارتقای کارایی پیش‌بینی تورم در اقتصاد ایران را داشته‌ایم. در مدل‌های سنتی متغیرهای مستقل در کل دوره زمانی یا تاثیر معنی‌داری بر متغیر وابسته دارد یا این تاثیر بی‌معنی است، اما در روش‌های TVPDMA یک متغیر مستقل در یک دوره زمانی می‌تواند تاثیر معنی‌دار و در یک دوره تاثیر بی‌معنی داشته باشد. به عبارت دیگر، این مدل کمک می‌کند اثرگذاری معنادار یا غیر معنادار یک متغیر مستقل بر متغیر وابسته را در سال‌های مختلف مورد بررسی قرار داد. در این تحقیق از داده‌های فصلی در بازه زمانی ۱۳۹۴-۱۳۷۰ استفاده شده است. نتایج تحقیق براساس خروجی مدل‌هایTVP، DMS،DMA بیانگر این واقعیت است که نرخ رشد نقدینگی 19، نرخ رشد اقتصادی 7، نرخ بیکاری 8، نرخ ارز 31، تغییرات نرخ سود تسهیلات بانکی 14، نرخ رشد درآمدهای نفتی 15، نااطمینانی تورم 14و نرخ رشد کسری بودجه 4 دوره از ۱۰۰ دوره زمانی تحت بررسی همگی دارای تاثیر معناداری بر تورم هستند. بر این اساس می‌توان بیان داشت که نرخ ارز، رشد نقدینگی و درآمدهای نفتی مهم‌ترین شاخص‌های موثر بر تورم در دوره مورد بررسی بوده‌اند.

کلیدواژه‌ها

توکلیان، حسین (1391)، «بررسی منحنی فیلیپس کینزی جدید در قالب یک مدل تعادل عمومی پویای تصادفی برای ایران»، مجله تحقیقات اقتصادی، شماره 47، صص 1-22.
جعفری صمیمی، احمد و صدیقه قلی‌زاده کناری (1386)، «بررسی رابطه تورم و رشد اقتصادی در کشورهای در حال توسعه»، مجله نامه اقتصادی، شماره 63، صص 45-58.
حسینی نسب، ابراهیم و مهدیه رضا قلی‌زاده (1389)، «بررسی ریشه‌های مالی تورم در ایران (با تاکید بر کسری بودجه)»، فصلنامه پژوهش‌های اقتصادی، سال دهم، شماره 1، صص 43-70.
حسینی، صفدر و حیدر قلی‌زاده (1389)، «بررسی تورم و بیکاری در اقتصاد ایران»، فصلنامه پژوهش‌های اقتصادی ایران، سال چهاردهم، شماره ۴۳، صص 23-54.
درگاهی، حسن و رویا شربت اوغلی (1389)، «تعیین قاعده سیاست پولی در شر ایط تورم پایدار اقتصاد ایران با استفاده از روش کنترل بهینه»، مجله تحقیقات اقتصادی، شماره 45، صص 1-27.
سحابی، بهرام، سیروس سلیمانی، سمیه خضری، محسن خضری (1392)، «اثرات رشد نقدینگی بر تورم در اقتصاد ایران: مدل‌های تغییر رژیم»، راهبرد اقتصادی، دوره 2، شماره4، صص121-146.
جلالی نائینی، سید احمدرضا و محمدرضا میرحسینی (1377)، «یک الگوی تلفیقی تورم: فشار هزینه و اضافه تقاضا»، برنامه و بودجه، شماره 34 و 35، صص 91-105.
شهاب، محمد رضا (1386)، نرخ‌های ارز و تورم: یک تحلیل تجربی درباره ایران، پایان نامه کارشناسی ارشد، دانشکده علوم انسانی، گروه علوم اقتصادی.
 صمدی، علی حسین و شراره مجدزاده طباطبایی (1392)، «رابطه بین تورم و نااطمینانی تورمی در ایران با استفاده از رگرسیون چرخشی مارکوف»، فصلنامه مدلسازی اقتصادی، سال هفتم، شماره 23، صص 47-65.
کمیجانی اکبر و یزدان نقدی (1388)، «بررسی ارتباط متقابل بین تولید و تورم در اقتصاد ایران (با تاکید بر تولید بخشی)»، پژوهشنامه علوم اقتصادی، سال نهم، شماره 32، صص 99-124.
کمیجانی، اکبر و حسین توکلیان (1390)، «بررسی عدم تقارن در رفتار سیاستگذاری پولی بانک مرکزی (مورد ایران)»، مجله تحقیقات مدلسازی اقتصادی، شماره 6، صص 19-42.
محسن خضری؛ بهرام سحابی؛ کاظم یاوری؛ حسن حیدری (1394)، اثر بازده بخش سوداگری بر تورم در اقتصاد ایران: مدل TVP-FAVAR»، پژوهشنامه اقتصادی، مقاله 7، دوره 15، شماره 57، صفحه 193-228.
محبی آشتیانی، علیرضا (1391)؛ بررسی تاثیر انحراف  نرخ ارز بر صادرات غیرنفتی، پایان‌نامه کارشناسی ارشد، دانشگاه علامه طباطبائی.
Bernanke, B., J. Boivi and P. Eliasz. (2005), “Measuring the Effects of Monetary Policy: A Factor-augmented Vector Autoregressive (FAVAR) Approach”, Quarterly Journal of Economics, Vol. 120, No. 1, pp. 387-422.
Boivin, J. and S. Ng (2006), “Are More Data Always Better for Factor Analysis?”,Journal of Econometrics, Vol. 132, pp. 169-194.
Cogley, T. and T. Sargent (2005), “Drifts and Volatilities: Monetary Policies and Outcomes in the Post WWII U. S.”, Review of Economic Dynamics, Vol. 8, pp. 262-302.
Cogley, T., S. Morozov and T. Sargent (2005), “Bayesian Fan Charts for U. K. in. ation: Forecasting and Sources of Uncertainty in an Evolving Monetary System”, Journal of Economic Dynamics and Control, Vol. 29, pp. 1893-1925.
Dave, C. and S. Dressler. (2009), “The Bank Lending Channel: A FAVAR Analysis”, Villanova School of Business Economics Working Paper, No.4
Del Negro, M. and C. Otrok, (2008), “Dynamic Factor Models with Time-varying Parameters: Measuring Changes in International Business Cycles”. University of Missouri Manuscript.
Doz, C., D. Giannone and L. Reichlin (2011), “A Two-step Estimator for Large Approximate Dynamic Factor Models Based on Kalman Filtering”, Journal of Econometrics, Vol. 164, pp 188-205.
Edward, N., D. Gambera and R. Hakesb (2005), “Is Monetary Policy Important for Forecasting Real Growth and Inflation?”, Journal of Policy Modeling, Vol. 27, pp. 177–187.
Eickmeier, S., W. Lemke and M. Marcellino (2011), “The Changing International Transmission of Financial Shocks: Evidence from a Classical Time-varying FAVAR”, Deutsche Bundesbank, iscussion Paper Series 1: Economic Studies, No 05/2011.
Friedman, Milton (1981), “Dificit and Inflation”, Newsweek, Feb. 23, P: 44.
Friedman, B. M. (1978), “Growding out or Growding in?Economic Consequences of Financing Government deficits”, Brookings Papers on Economic Activity, No: 3, PP: 593-641.
Friedman, M. (1968), “The Role of Monetary PoDlicy”, American Economic Review, Vol: 58, PP: 1-17.
Friedman, M. (1977), “Nobel lecture: Inflation and Unemployment”, Journal of Political Economy, Vol. 85, pp. 451–472.
Fruhwirth-Schnatter, S. (2006), Finite Mixture and Markov Switching Models, New York: Springer
Garratta, A., J. Mitchellb and P. Shaun (2011), “Real-time Inflation Forecast Densities from Ensemble Phillips curves”, North AmericanJournal of Economics and Finance, Vol. 22, pp. 78-88.
Geweke, J. and G. Amisano, (2010), “Hierarchical Markov Normal Mixture Models with Appli-cations to Financial Asset Returns”,. Journal of Applied Econometrics forthcoming, Vol. 26, pp. 1-29.
Groen, J., R. Paap and F. Ravazzolo (2009), “Real-time Inflation Forecasting in a Changing World”, Econometric Institute Report 2009-19, Erasmus University Rotterdam,
Henry, O. (2009), “Regime Switching in the Relationship between Equity Returns and Short-term Interest Rates”, Journal of Banking and Finance, Vol. 33, pp. 405–414.
Hoogerheide, L., R. Kleijn, F. Ravazzolo, H. van Dijk and M. Verbeek, (2009(, “Forecast Ac-curacy and Economic Gains from BayesianModel Averaging Using Time-VaryingWeights”, Journal of Forecasting, Vol. 29, pp. 251-269.
Hornstein, A. (2008). “Introduction to the New Keynesian Phillips Curve”. Economic Quarterly, Vol. 94, pp. 301-309.
Hwang, Y. (2007), “Causality between Inflation and Real Growth,” Economics Letters, Vol. 94, pp.146–153.
Jouchi Nakajima, J., K. Munehisa and W. Toshiaki (2009), “Bayesian Analysis of Time-varying Parameter Vector Autoregressive Model for the Japanese Economy and Monetary Policy”, Journal of The Japanese and International Economies, Vol. 25, pp. 225-245.
Karunaratne, N. D. and R. Bhar (2011), “Regime-shifts and Post-float Inflation Dynamics of Australia”,.Economic Modelling, Vol. 28, pp. 1941–1949.
King, R. G. (2008), “The Phillips Curve and U. S. Macroeconomic Policy: Snapshots, 1958-1996”, Economic Quarterly, Vol. 94, pp. 311-359.
Koop, G. and D. Korobilis (2011), “Forecasting Inflation using Dynamic Model Averaging”, International Economic Review, Vol. 53, pp. 867-886.
 Koop, G. and D. Korobilis, (2013), “A New Index of Financial Conditions”, European Economic Review, Vol. 71, pp. 101-116.
Koop, G., R. Leon-Gonzalez and R. Strachan (2009). “On the Evolution of the Monetary Policy Transmission Mechanism”, Journal of Economic Dynamics and Control, Vol. 33, pp. 997-1017.
Korobilis, D. (2009), “Assessing the Transmission of Monetary Policy Shocks Using Dynamic Factor Models”, Discussion Paper 9-14, University of Strathclyde.
Korobilis, D. (2013), “Assessing the Transmission of Monetary Policy Shocks Using Time-varying Parameter Dynamic Factor Models”, Oxford Bulletin of Economics and Statistics, Vol. 75, pp. 157-179.
Lee, j. Dong, Yoonb, H. Jai. (2016). ” The New Keynesian Phillips Curve in multiple quantiles and the asymmetry of monetary policy “. Economic Modelling, Vol 55, PP 102–114.
Moser, S. and F. Rumler (2005), “Forecasting Austrian Inflation,” Economic Modeling, Vol. 24, pp. 470–480.
Mumtaz, H. (2010), “volving UK Macroeconomic Dynamics: A Time-Varying Factor Augmented VAR”, Bank of England, Working Paper, No. 386 March
Nakajima, J., Kasuya, Munehisa and W. Toshiaki (2011), “Bayesian Analysis of Time-varying Parameter Vector Autoregressive Model for the Japanese Economy and Monetary Policy”, Journal of The Japanese and International Economies, Vol. 25, pp. 225-245.
Öğünç, F., Akdoğan, K., Başer, S., Chadwick, M.G., Ertuğ, T., Hülagü, D., Kösem, S., Özmen M.U., & Tekatlı, N. (2013). Short-term inflation forecasting models for Turkey and a forecast combination analysis. Economic Modelling, 33, 312–325.
Primiceri. G. (2005), “Time Varying Structural Vector Auto regressions and Monetary Policy”, Review of Economic Studies, Vol. 72, pp. 821-852.
Pourgerami, A., and K. Maskus (1987), “The effects of inflation on the predictability of price changes in Latin America: some estimates and policy implications”,World Development, 15,287-290.
Raftery, A., M. Karny and P. Ettler (2010), “Online Prediction Under Model Uncertainty Via Dynamic Model Averaging: Application to a Cold Rolling Mill”, Technimetrics, Vol. 52, pp. 52-66.
Senbet, D. (2008), “Measuring the Impact and International Transmission of Monetary Policy: A Factor-augmented Vector Autoregressive (FAVAR) Approach”, European Journal of Economics, Finance and Administrative Sciences, Vol. 13, pp. 121-143.
Stock, J. and M. Watson (2007), “Why Has U. S. Inflation Become Harder to Forecast?”, Journal of Monetary Credit and Banking, Vol. 39, pp. 3-33.
Stock, J. and M.Watson (2008), “Phillips Curve Inflation Forecasts”, NBER Working Paper, No. 14322, 2008.
Xu, Q; Niu, X; Jiang, C & Huang, X. (2015). “The Philips curve in the USA:A nonlinear quantile regression approach”. Economic Modeling 49.186-197.