به‌كارگيري الگوهاي رگرسيوني شامل داده‌هاي مختلط در مدلسازي و پيش‌بيني ارزش واردات گندم ايران (روش ARDL تعميم يافته مبتني بر OLS)

Applying Regression Models with Mixed Frequency Data in Modeling and Prediction of Iranʹʹs Wheat Import Value (Generalized OLS-based ARDL Approach)

با توجه به اهميت مديريت واردات، مطالعه حاضر بر آنست تا با به‌كار‌گيري روش ARDL تعميم يافته الگوي MIDAS ضمن بررسي عوامل موثر، ارزش واردات گندم را پيش‌بيني نموده و دقت پيش‌بيني‌هاي حاصل با الگوي شامل داده‌هاي تطبيق‌يافته مقايسه گردد. هدف مدل‌هاي رگرسيوني MIDAS استخراج مناسب اطلاعات متغيرهاي با تواتر بالاتر در راستاي مدلسازي و پيش‌بيني متغيرهاي وابسته در تواتر پايين بوده و انتظار بر اين است كه از اين طريق شناسايي بهتر روابط موجود ميان متغيرها، پيش‌بيني دقيق‌تري در پي داشته باشد. بر اساس نتايج هر دو رگرسيون با داده‌هاي تطبيق يافته و MIDAS براي دوره 1357 تا 1382 به عنوان دوره آموزش، ارزش واردات گندم با توليد داخلي و نرخ ارز رابطه مستقيم داشته و متغير قيمت‌هاي نسبي بر ارزش واردات گندم تاثير منفي داشته است. آماره‌هاي دقت پيش‌بيني مرسوم و آزمون معني‌‌داري اختلاف خطاي پيش‌بيني الگوهاي رقيب حاكي از آنست كه الگوي MIDAS شامل داده‌هاي سالانه ارزش واردات گندم، توليد و قيمت‌هاي نسبي گندم و اطلاعات فصلي نرخ ارز به طور معني‌‌داري دقت پيش‌بيني ارزش واردات گندم در دوره 1383 تا 1387 به عنوان دوره آزمون را بهبود بخشيده است. بر اين اساس پيشنهاد مي‌گردد تا در راستاي ارتقا دقت مدلسازي و پيش‌بيني ارزش واردات كشاورزي به‌ويژه محصولات وارداتي استراتژيك روش‌هاي پيش‌بيني با داده‌هاي مختلط با دقت بالاي پيش‌بيني جايگزين الگوهاي با داده‌هاي تطبيق يافته گردند.

Due to the importance of the import management, this study applies generalized ARDL approach to estimate MIDAS regression for wheat import value and to compare the accuracy of forecasts with those competed by the regression with adjusted data model. Mixed frequency sampling models aim to extract information with high frequency indicators so that independent variables with lower frequencies are modeled and foorcasted. Due to a more precise identification of the relationships among the variables, more accurate prediction is expected. Based on the results of both estimated regression with adjusted frequency models and MIDAS for the years 1978-2003 as a training period, wheat import value with internal products and exchange rate was positively related, while the relative price variable had an adverse relation with the Iranʹs wheat import value. Based on the results from the conventional statistics such as RMSE, MAD, MAPE and the statistical significance, MIDAS models using data sets of annual wheat import value, internal products, relative price and seasonal exchange rate significantly improves prediction of annual wheat import value for the years2004-2008 as a testing period. Hence, it is recommended that applying prediction approaches with mixed data improves modeling and prediction of agricultural import value, especially for strategic import products.