Повышение точности прогнозирования макроэкономических процессов посредством учета взаимосвязей между ними
Автор: Моисеев Никита Александрович
Журнал: Экономический журнал @economicarggu
Статья в выпуске: 4 (48), 2017 года.
Бесплатный доступ
Данная статья представляет параметрический подход к прогнозированию векторов макроэкономических индикаторов, который учитывает функциональные и корреляционные взаимосвязи между ними. Поскольку существует возможность функционально и корреляционно связать большинство индикаторов, утверждается, что данная информация позволяет добиться устойчивого снижения их среднеквадратической ошибки прогноза. Предлагаемый метод основывается на корректировке прогнозов, получаемых согласно традиционным регрессионным моделям, с учетом известной функциональной или корреляционной связи между рассматриваемыми макроэкономическими индикаторами с помощью метода максимального правдоподобия. Также в статье приводится алгоритм вычисления общей формы скорректированной функции плотности вероятности для каждого из моделируемых индикаторов посредством нормализации его маржинального вероятностного распределения. С целью доказательства эффективности предлагаемого метода в работе проводится имитационное тестирование и эмпирическое тестирование на реальных исторических данных по макроэкономическим индикаторам ведущих мировых экономик.
Регрессионный анализ, ввп, инфляция, денежные агрегаты, безработица, метод максимального правдоподобия, функция плотности вероятности, функциональные и корреляционные зависимости макроэкономических индикаторов, точность прогноза, среднеквадратическая ошибка, байесовская эконометрика
Короткий адрес: https://sciup.org/14915325
IDR: 14915325
Список литературы Повышение точности прогнозирования макроэкономических процессов посредством учета взаимосвязей между ними
- Antoniadis, A., and Sapatinas, T., (2007). Estimation and Inference in Functional Mixed-Effects Models. Computational Statistics and Data Analysis 51, 4793-4813.
- Chamidah, N., Budiantara, I.N., Sunaryo, S., and Zain, I., (2012). Designing of Child Growth Chart Based on Multi-Response Local Polynimial Modelling. Journal of Mathematics and Statistics, 8(3): 342-247.
- Lestari, B., Budiantara, I.N., Sunaryo, S., and Mashuri, M., (2010). Spline Estimator in Multi-Response Nonparametric Regression Model with Unequal Correlation of Errors. Journal of Mathematics and Statistics, 6(3): 327-332.
- Moiseev N.A., Manakhov S.V., Demenko O.G. (2016). Boosting regional competitiveness level via budgetary policy optimization. International Journal of Applied Business and Economic Research. Т. 14. № 10. С. 7315-7324.
- Moiseev, N.A., (2016). Linear model averaging by minimizing mean-squared forecast error unbiased estimator. Model Assisted Statistics and Applications 11(4), 325-338.
- Ruchstuhl, A., Welsh, A.H., Carroll, R.J., (2000). Nonparametric function estimation of the relationship between two repeatedly measured variables. Statistica Sinica 10, 51-71.
- Wang, Y., Guo, W., and Brown, M.B., (2000). Spline Smoothing for Bivariate Data With Application to Association Between Hormones. Statistica Sinica 10, 377-397.
- Welsh, A.H., Lin, X., Carroll, R.J., (2002). Marginal longitudinal nonparametric regression: locality and efficiency of spline and kernel methods. Journal of American Statistical Association 97, 482-494.
- Welsh, A.H., Yee, T.W., (2006). Local regression for vector responses. Journal of Statistical Planning and Inference. 136(9):3007-3031.
- Моисеев Н.А., Ахмадеев Б.А. (2014). Факторная модель динамики инфляционных процессов в инновационной экономике. Научно-аналитический журнал "Наука и практика" Российского экономического университета им. Г.В. Плеханова. № 2 (14). С. 40-52.
