Оценка опережающего индикатора ВРП методом темпорального дезагрегирования

Оценка опережающего индикатора ВРП методом темпорального дезагрегирования

Автор: Гафарова Е.А.

Журнал: Вестник Пермского университета. Серия: Экономика @economics-psu

Рубрика: Математические, статистические и инструментальные методы в экономике

Статья в выпуске: 3 т.19, 2024 года.

Бесплатный доступ

Введение. В условиях высокой неопределенности для качественного анализа текущих тенденций развития региональной экономики и своевременного выявления происходящих в ней изменений актуальность приобретает разработка высокочастотного опережающего индикатора для валового регионального продукта, который публикуется только с годовой периодичностью. Одним из подходов к получению такого индикатора является темпоральное (временное) дезагрегирование, методы которого хорошо зарекомендовали себя в зарубежной практике для дезагрегации валового внутреннего продукта. В то же время отмечается недостаток исследований, направленных на апробацию методов темпорального дезагрегирования экономических временных рядов на региональном уровне.

Еще

Темпоральное дезагрегирование, валовой региональный продукт, опережающий индикатор, прогноз, модель авторегрессии проинтегрированного скользящего среднего, регион

Короткий адрес: https://sciup.org/147246917

IDR: 147246917   |   DOI: 10.17072/1994-9960-2024-3-253-268

Список литературы Оценка опережающего индикатора ВРП методом темпорального дезагрегирования

  • Крук Д., Коршун А. Экономический цикл и опережающие индикаторы: методологические подходы и возможности использования в Беларуси // Рабочий материал Исследовательского центра ИПМ. WP/10/05. 2010. 35 с. URL: http:// www.research.by/publications/wp/1005/ (дата обращения: 01.06.2024).
  • Lisman J. H. C., Sandee J. Derivation of quarterly figures from annual data // Journal of the Royal Statistical Society: Series C (Applied Statistics). 1964. Vol. 13, no. 2. P. 87-90. DOI 10.2307/2985700
  • Denton F. T. Adjustment of monthly or quarterly series to annual totals: An approach based on quadratic minimization // Journal of the American Statistical Association. 1971. Vol. 66, no. 333. P. 99102. DOI 10.2307/2284856
  • Chow G. C., Lin A. L. Best linear unbiased interpolation, distribution, and extrapolation of time series by related series // The Review of Economics and Statistics. 1971. Vol. 53, no. 4. P. 372-375. DOI 10.2307/1928739
  • Fernandez R. B. A Methodological note on the estimation of time series // The Review of Economics and Statistics. 1981. Vol. 63, no. 3. P. 471-476. DOI 10.2307/1924371
  • Litterman R. B. A random walk, Markov model for the distribution of time series // Journal of Business and Economic Statistics. 1983. Vol. 1, no. 2. P. 169173. DOI 10.2307/1391858
  • Di Fonzo T. The Estimation of M disaggregate time series when contemporaneous and temporal aggregates are known // The Review of Economics and Statistics. 1990. Vol. 72, no. 1. P. 178-182. DOI 10.2307/2109758
  • Wei W., Stram D. Disaggregation of time series models // Journal of the Royal Statistical Society: Series B (Methodological). 1990. Vol. 52, iss. 3. P. 453467. DOI 10.1111/j.2517-6161.1990.tb01799.x
  • Al-Osh M. A dynamic linear model approach for disaggregating time series data // Journal of Forecasting. 1989. Vol. 8, iss. 2. P. 85-96. DOI 10.1002/for.39 80080203
  • Proietti T. Temporal disaggregation by state space methods: Dynamic regression methods revisited // The Econometrics Journal. 2006. Vol. 9, iss. 3. P. 357-372. DOI 10.1111/j.1368-423X.2006.00189.x
  • Mitchell J., Smith R. J., Weale M. R., Wright S, Salazar E. L. An indicator of monthly GDP and an early estimate of quarterly GDP growth // The Economic Journal. 2005. Vol. 115, iss. 501. P. F108-F129. DOI 10.1111/j.0013-0133.2005.00974.x
  • Sax C., Steiner P. Temporal disaggregation of time series // The R Journal. 2013. Vol. 5, iss. 2. P. 8087. DOI 10.32614/RJ-2013-028
  • Bruno G., Di Fonzo T., Golinelli R., Parigi G. Short-run GDP forecasting in G7 countries: Temporal disaggregation techniques and bridge models // Frontiers in Benchmarking Techniques and Their Application to Official Statistics. Luxembourg: Eurostat, 2005. 24 p. URL: https://clck.ru/3CFKpZ (дата обращения: 15.03.2024).
  • Islam M. Evaluation of different temporal disaggregation techniques and an application to Italian GDP // BRAC University Journal. 2009. Vol. 4, no. 2. P.21-32.
  • Seiler C. Prediction qualities of the IFO indicators on a temporal disaggregated German GDP // IFO Working Paper Series 67. IFO Institute - Leibniz Institute for Economic Research at the University of Munich, 2009. 24 р.
  • Mosley L., Eckley I. A., Gibberd A. Sparse temporal disaggregation // Journal of the Royal Statistical Society Series A: Statistics in Society. 2022. Vol. 185, iss. 4. P. 2203-2233. DOI 10.1111/rssa.12952
  • Cuartas B. M., Vázquez E. F., Hewings G. J. D. Regional temporal disaggregation on economic series with macroeconomic balance: An entropy econometrics-based model // J.-C. Thill (Ed.). Innovations in urban and regional systems: Contributions from GIS&T, spatial analysis and location modeling. Springer, 2020. P. 243-256. DOI 10.1007/978-3-030-43694-0_11
  • Frale C., Marcellino M., Mazzi G. L., Proietti T. A monthly indicator of the Euro area GDP // CEPR Discussion Papers 7007, C.E.P.R. Discussion Papers. 37 p.
  • Abeysinghe T., Rajaguru G. Quarterly Real GDP estimates for China and ASEAN4 with a forecast evaluation // Journal of Forecasting. 2004. Vol. 23, iss. 6. P. 431-447. DOI https://doi.org/10.1002/for.922
  • Maranhao A. Now-casting and temporal dis-aggregation dynamic factor model for Brazilian quarterly real GDP // Open Science Research IV. 2022. Vol. 4. P. 1052-1077. DOI 10.37885/220408573
  • Sumunar P., Nasrudin M. Disaggregation and forecasting of the monthly Indonesian gross domestic product (GDP) // Bulletin of Monetary Economics and Banking. 2018. Vol. 20, no. 4. Article 2. DOI 10.21098/bemp.v20i4.905
  • Ilham M. I. Temporal dissaggregation method for estimating Indonesia's monthly gross domestic product // Asia Pacific Statistics Week. UNESCAP, 15-19 June, 2020. Bangkok, Thailand. 6 p. URL: https://clck.ru/3CFMBS (дата обращения: 01.06.2024).
  • Ajao I. O., Ayoola F. J., Iyaniwura J. O. Temporal disaggregation methods in flow variables of economic data: Comparison study // International Journal of Statistics and Probability. 2016. Vol. 5, no. 1. P. 36-45. DOI 10.5539/ijsp.v5n1p36
  • Lahari W., Haug A. A., Garces-Ozanne A. Estimating quarterly GDP Data for the South Pacific Island nations // The Singapore Economic Review. 2011. Vol. 56, no. 11. P. 97-112. DOI 10.1142/S0217 590811004122
  • Моторин В. И. Метод темпорального дезагрегирования интервального динамического ряда на основе высокочастотных индикаторов и принципа сохранения движения // Вопросы статистики. 2016. № 8. С. 27-38. Б01 10.34023/2313-6383-20160-8-27-38. ЕБЫ WK0FEJ
  • Куранов Г. О. Методические вопросы краткосрочной оценки и прогноза макроэкономических показателей // Вопросы статистики. 2018. Т. 25, № 2. С. 3-24. ЕБЫ YWRFYB
  • Бойко В., Кисляк Н., Никитин М, Оборин О. Методы расчета опережающего индикатора валового регионального продукта // Деньги и кредит. 2020. Т. 79, № 3. С. 3-29. Б01 10.31477Zrjmf.202 003.03. ЕБЫ QVFYKB
  • Жемков М. И. Оценка месячного индикатора ВВП методами темпорального дезагрегирования // Деньги и кредит. 2022. Т. 81, № 2. С. 79104. ЕБЫ FJWIAE
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp