اهميت تصريح معادلات رگرسيوني در برآورد نااطميناني متغيرهاي اقتصاد كلان

The Importance of Regression Equations Specification in Measuring Uncertainty of Macroeconomic Variables

در اين مطالعه اندازه‌گيري نااطميناني متغيرهاي اقتصاد كلان مورد توجه قرار گرفته است. با توجه به اينكه نااطميناني به‌طور مستقيم قابل مشاهده و انداز‌ه‌گيري نيست، پژوهشگران جانشين‌هاي مختلفي براي اندازه‌گيري آن پيشنهاد داده‌اند. يكي از روش‌هاي رايج براي برآورد اين نااطميناني‌ها، استفاده از الگوهاي سري زماني است. در اين روش، برآورد مناسب و دقيق از نااطميناني مستلزم تصريح درست معادلات رگرسيوني است. با در نظر گرفتن اين موضوع، نااطميناني براي چند سري زماني كليدي در اقتصاد ايران برآورد و سپس برآوردهاي الگوي مبنا با الگوهاي ديگر مقايسه شده‌ است. نتايج به‌دست آمده بيانگر اين هستند كه برآوردهاي نااطميناني در اين سري‌ها به طرز معني‌داري تحت تاثير تصريح معادلات رگرسيون پيش‌بيني‌كننده قرار مي‌گيرند. تفاوت بين برآوردهاي انجام شده در طول زمان براي اين سري‌ها كه در برخي دوره‌ها كاملا قابل مشاهده است، نشان مي‌دهد كه بيشتر تغييرات در اين سري‌ها قابل پيش‌بيني هستند و نبايست به نااطميناني نسبت داده شوند. همچنين ارزيابي دقت پيش‌بيني نااطميناني در الگوهاي مختلف بيانگر عملكرد بهتر الگوهاي نوسان تصادفي و GARCH نامتقارن در دوره‌هاي پيش‌بيني درون نمونه‌‌اي و خارج از نمونه‌اي است. طبقه‌بندي JEL: C5، C52، E17 واژه‌هاي كليدي: نااطميناني، الگوهاي سري زماني، معادله‌ي پيش‌بيني، نوسان تصادفي

In this study measuring of uncertainty related to macroeconomic variables has been considered. Given that uncertainty is not directly observable and measurable, researchers suggest different proxies for its measuring. One of the popular approaches in the related literature is based on time series models. In this approach, the proper measurement of uncertainty requires correct specification of regression equations. Accordingly, we estimate the uncertainty estimates of the baseline model for several key series in Iran’s macro dataset and compare it to the corresponding estimates of the alternative models. Our results show that uncertainty estimates of macro variables are affected by the specification of the forecasting regression equations. The difference over time between the estimates for these variables is quite pronounced in some periods, suggesting that much of the variation in these series is predictable and should not be attributed to uncertainty. Finally, evaluation of the uncertainty forecasting accuracy of the models shows that the SV and asymmetric GARCH models have better performance for the in-sample and out-of-sample periods, respectively. JEL Classification: C5 ,C52, E17