БАЙЄСІВСЬКА МОДЕЛЬ VAR ДЛЯ ІНФЛЯЦІЇ: ПРИКЛАД АЗЕРБАЙДЖАНУ
Article Sidebar
Надіслано: 02-04-2025
Опубліковано: 31-08-2025
©, Авторські права належать авторам.
Ця стаття опублікована відповідно до стандартів відкритого доступу та розповсюджується за ліцензією Creative Commons Attribution 4.0 International (CC BY 4.0), яка дозволяє необмежене використання, розповсюдження та відтворення змісту на будь-якому носії, за умови зазначення оригінального автора та джерела.
Main Article Content
Анотація
У цьому дослідженні розглянуто ефективність авторегресійних моделей байєсівського вектора (BVAR) у прогнозуванні інфляції споживчих цін в Азербайджані. З огляду на обмежені й нерідко низькочастотні набори макроекономічних даних країни, традиційні моделі прогнозування часто дають низьку точність прогнозування. Щоб розв՚язати цю проблему, ми будуємо моделі BVAR, використовуючи три альтернативні апріорні, а саме Міннесоту, Нормаль-Вішарт і Сімса-Жа Нормального-Вішарта (фіктивні спостереження) та порівнюємо їхню точність прогнозування з еталонними моделями: одновимірним випадковим блуканням і стандартною необмеженою векторною авторегресійною моделлю (VAR). Використовуючи щоквартальні дані з 1-го по 2024-й квартал, дослідження поділяє вибірку на періоди оцінювання та прогнозування псевдо-поза вибіркою. Ми оцінюємо точність прогнозу за допомогою відносних середніх квадратичних помилок прогнозування (RMSFEs), а тест Дібольда-Маріано (DM) використовуємо для оцінки статистичної значущості різниць прогнозів. Моделі враховують ключові внутрішні та зовнішні чинники інфляції, включаючи грошову масу М2, ціни виробників обробної промисловості, реальний ненафтовий ВВП, номінальні ефективні обмінні курси та зовнішню інфляцію. Результати показують, що всі моделі BVAR перевершують модель випадкової прогулянки майже на всіх прогнозних горизонтах, а BVAR із фіктивними спостереженнями раніше стабільно дає найнижчі RMSFE. Незважаючи на те, що міннесотський пріор демонструє нижчі результати в короткострокових прогнозах, він покращується в точності на більш тривалих горизонтах. Порівняно з бенчмарком VAR, пріор Sims-Zha Normal-Wishart демонструє явну перевагу, підтверджену статистично значущими результатами тестів DM. Дослідження доповнює літературу з макроекономічного прогнозування в країнах, що розвиваються, і надає практичні наслідки для політиків. Майбутні дослідження можуть бути зосереджені на розширенні рамок для включення параметрів, що змінюються в часі, високочастотних індикаторів або прогнозів щільності невизначеності інфляції.
Article Details
Посилання
Berg, T.O., & Henzel, S.R. (2015). Point and density forecasts for the euro area using Bayesian VARs. International Journal of Forecasting, 31(4), 1067-1095. https://doi.org/10.1016/j.ijforecast.2015.03.006 DOI: https://doi.org/10.1016/j.ijforecast.2015.03.006
Brázdik, F., & Franta, M. (2017). A BVAR Model for Forecasting of Czech Inflation. CNB Working Paper, 7. https://econpapers.repec.org/paper/cnbwpaper/2017_2f7.htm
Carriero, A., Clark, T.E., & Marcellino, M. (2015). Bayesian VARs: Specification Choices and Forecast Accuracy. Journal of Applied Econometrics, 30(1), 46-73. https://doi.org/10.1002/jae.2315 DOI: https://doi.org/10.1002/jae.2315
Doan, T., Litterman, R., & Sims, C. (1984). Forecasting and conditional projection using realistic prior distributions. Econometric reviews, 3(1), 1-100. https://doi.org/10.1080/07474938408800053 DOI: https://doi.org/10.1080/07474938408800053
Dickey, D.A., & Fuller, W.A. (1979). Distribution of the Estimators for Autoregressive Time Series with a Unit Root. Journal of the American Statistical Association, 74(366a), 427-431. https://doi.org/10.1080/01621459.1979.10482531 DOI: https://doi.org/10.1080/01621459.1979.10482531
Diebold, F. X., & Mariano, R. S. (1995). Comparing Predictive Accuracy. Journal of Business & Economic Statistics, 13(3), 253–263. https://doi.org/10.1198/073500102753410444 DOI: https://doi.org/10.1080/07350015.1995.10524599
Dieppe, A., Legrand, R., & Van Roye, B. (2016). The BEAR toolbox. ECB Working Paper, 1934. https://hdl.handle.net/10419/154367 DOI: https://doi.org/10.2139/ssrn.2811020
Giannone, D., Lenza, M., Momferatou, D., & Onorante, L. (2014). Short-term inflation projections: A Bayesian vector autoregressive approach. International Journal of Forecasting, 30(3), 635-644. https://doi.org/10.1016/j.ijforecast.2013.01.012 DOI: https://doi.org/10.1016/j.ijforecast.2013.01.012
Giannone, D., Lenza, M., & Primiceri, G.E. (2015). Prior Selection for Vector Autoregressions. Review of Economics and Statistics, 97(2), 436-451. https://doi.org/10.1162/REST_a_00483 DOI: https://doi.org/10.1162/REST_a_00483
Huseynov, S., & Ahmadov, V. (2013). Oil windfalls, fiscal policy and money market disequilibrium. WP 1051. https://hdl.handle.net/2027.42/133070 DOI: https://doi.org/10.2139/ssrn.2304250
Huseynov, S., Ahmadov, V., & Adigozalov, S. (2014). Beating a Random Walk: “Hard Times” for Forecasting Inflation in Post-Oil Boom Years? MPRA paper 63515. https://mpra.ub.uni-muenchen.de/id/eprint/63515
Koop, G.M. (2013). Forecasting with Medium and Large Bayesian VARs. Journal of Applied Econometrics, 28(2), 177-203. https://doi.org/10.1002/jae.1270 DOI: https://doi.org/10.1002/jae.1270
Lindholm, U., Mossfeldt, M., & Stockhammar, P. (2020). Forecasting Inflation in Sweden. Economia Politica, 37(1), 39-68. https://doi.org/10.1007/s40888-019-00161-9 DOI: https://doi.org/10.1007/s40888-019-00161-9
Litterman, R.B. (1986). Forecasting with Bayesian Vector Autoregressions - Five Years of Experience. Journal of Business & Economic Statistics, 4(1), 25-38. https://doi.org/10.1080/07350015.1986.10509491 DOI: https://doi.org/10.1080/07350015.1986.10509491
Mandalinci, Z. (2017). Forecasting Inflation in Emerging Markets: An Evaluation of Alternative Models. International Journal of Forecasting, 33(4), 1082-1104. https://doi.org/10.1016/j.ijforecast.2017.06.005 DOI: https://doi.org/10.1016/j.ijforecast.2017.06.005
Ogunc, F. (2019). A Bayesian VAR Approach to Short-Term Inflation Forecasting. Working Papers 1925, Central Bank of the Republic of Turkey. https://econpapers.repec.org/RePEc:tcb:wpaper:1925
Papavangjeli, M. (2019). Forecasting the Albanian short-term inflation through a Bayesian VAR model. Graduate Institute of International and Development Studies Working Paper No. HEIDWP16-2019. https://doi.org/10.71609/iheid-ba98-ea31
Rahimov, V. (2024). Relationship between PPI And CPI in Azerbaijan: A Wavelet Approach. Journal of Economic Sciences: Theory & Practice, 81(1). https://ecosciences.edu.az/view.php?lang=en&menu=journal&id=455 DOI: https://doi.org/10.61640/jestp.2024.81.01.04
Rahimov, V., Adigozalov, S., & Mammadov, F. (2016). Determinants of inflation in Azerbaijan. CBAR Working Paper Series 07/2016. http://cbar-visitor.gts.az:8000/page-90/determinants-of-inflation-in-azerbaijan
Rahimov, V., Guliyev, N., & Ahmadov, V. (2020). Modeling Azerbaijan's Inflation and Output Using a Factor-Augmented Vector Autoregressive (FAVAR) Model. Graduate Institute of International and Development Studies Working Paper No. HEIDWP01-2020. https://doi.org/10.71609/iheid-wa34-b484
Shapovalenko, N. (2021). A BVAR Model for Forecasting Ukrainian Inflation and GDP. Visnyk of the National Bank of Ukraine, (251), 14-36. https://doi.org/10.26531/vnbu2021.251.02 DOI: https://doi.org/10.26531/vnbu2021.251.02
Sims, C.A. (1980). Macroeconomics and Reality. Econometrica: journal of the Econometric Society, pp.1-48. https://doi.org/10.2307/1912017 DOI: https://doi.org/10.2307/1912017
Sims, C.A., & Zha, T. (1998). Bayesian Methods for Dynamic Multivariate Models. International Economic Review, pp.949-968. https://doi.org/10.2307/2527347 DOI: https://doi.org/10.2307/2527347
Stelmasiak, D., & Szafrański, G. (2016). Forecasting the Polish Inflation Using Bayesian VAR Models with Seasonality. Central European Journal of Economic Modelling and Econometrics, 1, 21-42. http://dx.doi.org/DOI%3A+10.24425/cejeme.2016.119185
Villani, M. (2009). Steady‐State Priors for Vector Autoregressions. Journal of Applied Econometrics, 24(4), 630-650. https://doi.org/10.1002/jae.1065 DOI: https://doi.org/10.1002/jae.1065