فصلي كردن سري‌هاي زماني (مطالعه موردي درآمدهاي نفتي دولت، شاخص قيمت مصرف كننده و نقدينگي)

Qurterizing Time-series (A Case Study, Government Oil Revenues, Consumer Price Index and liquidity)

چكيده بالا بودن هزينه جمع‌آوري اطلاعات به صورت فصلي و نياز اقتصاد سنجان به اين اطلاعات براي مدل سازي و تحليل‌هاي كوتاه‌مدت، باعث شده موسسات آماري پس از جمع‌آوري اطلاعات و محاسبه داده‌هاي اقتصادي به صورت ساليانه، با روش‌هاي غير مستقيم، به محاسبه داده‌هاي فصلي از داده‌هاي سالانه بپردازند. در اين مقاله روش‌هاي فصلي كردن سري زماني در قالب دو گروه عمده، روش‌هاي متكي به شاخص‌هاي همبسته و روش‌هاي محض رياضي معرفي شده‌اند. سپس با فصلي كردن سري‌هاي درآمدهاي نفتي دولت، شاخص قيمت مصرف كننده و حجم نقدينگي به مقايسه اين روش‌ها در قالب دو گروه نام برده، پرداخته شده است. نتايج حاصل از اين پژوهش نشان مي‌دهد كه براي فصلي كردن دو سري شاخص قيمت مصرف كننده و درآمدهاي نفتي دولت بر اساس معيارهاي r2 و MSE روش بوت، ليسمن و فيبس روش بهتر است و براي سري حجم نقدينگي بر اساس هر دو معيار روش چو و لين روش مناسب تري مي‌باشد. هم‌چنين براساس پژوهش حاضر اين نتيجه به دست آمد كه يافتن بهترين روش براي فصلي كردن سري‌هاي زماني كه هميشه از ساير روش‌ها بهتر باشد امكان پذير نيست. واژه‌هاي كليدي: فصلي كردن، تجزيه زماني، درون يابي

Abstract Due to the high costs of collecting the quarterize or seasonal statistical information and the need of econometricians for Modeleny and short analysis, the National Statistical Institutes decided to obtain quarterize time series as indirect methods of the short-term dynamics of the annual data. In this article, two alternative approaches based on related indicators and pure mathematics has been introduced and then after temporal disaggregation of government oil revenues, consumer price index and liquidity, the approaches compared to each other. The empirical results indicated that Boot, Feibes and Lisman methods deliverd the better results for two series (government oil revenues and consumer price index), whereas Chow and Lin approach is more approprate for liquidity, based on MSE and r2 criteria. Also this paper shows that the best choice approach for temporal disaggregation of economic time series is not always possible. Key words: Quarterizing, Temporal disaggregation, Interpolation