عنوان مقاله:
تأثیر اقتصادهای جهانی بر تورم ایالات متحده: آزمون منحنی فیلیپس
The impact of global economies on US inflation: A test of the Phillips curve
سال انتشار: 2022
رشته: اقتصاد
گرایش: اقتصاد مالی - برنامه ریزی سیستم های اقتصادی
دانلود رایگان این مقاله:
دانلود مقاله تورم ایالات متحده
مشاهده سایر مقالات جدید:
Out-of-sample predictions and properties of the prediction errors
The accuracy of inflation forecasts is limited by inconsistencies across forecasting techniques and model specifications. In their review of forecasting models and comparative analysis of the performance of Phillips curve forecasting specifications, Stock and Watson (2010) find that a univariate forecasting model tends to outperform more complex multivariate models. Alvarez-Diaz and Gupta 2016 subsequently replicated this outcome. Abdelsalam (2017), who notes inherent specification issues that can impact the predictive power of Phillips curves and analyses of augmented versions of Phillips equations that incorporate time-varying coefficients, finds that augmentations can improve forecast accuracy. Gupta et al. (2017) have shown that a factor augmented-qualitative VAR can outperform other augmented VAR models. Furthermore, Balcilar et al. (2017) have demonstrated that the VARFIMA (vector autoregressive fractionally integrated moving average) model is superior to the standard model.
A quick review of the literature indicates that there may not be a one-size-fits-all model or specification. Stock and Watson (2010) make a valid argument that this variability in utility should not be surprising given the fluctuations in US inflation dynamics that have accompanied a transforming US economy and changes in monetary policy regimes. To that end, Inoue et al. (2017) find significant evidence that a forecasting model's performance can be sensitive to estimation window size. They propose a methodology for determining an optimal estimation period that minimizes conditional mean square forecasting error (MSFE). They show that their window selection method deteriorates for models containing numerous predictors with parameters with differing time-varying patterns. They find that an unemployment-based Phillips curve has inflationary predictive power when optimal sizes are used.
To examine the effect of global inflation on an out-of-sample forecast of the US inflation rate, we conduct one-step predictions based on rolling window regressions. First, estimated coefficients from each regression are used to predict the inflation rate of the next quarter in the forward estimation period, with the first subsample being from 2003:Q1 to 2013:Q1, and the last (total) sample running from 2003:Q1 to 2019:Q3. This process generates 27 out-of-sample predictions (Fig. 6) for each model.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
پیش‌بینی‌های خارج از نمونه و ویژگی‌های خطاهای پیش‌بینی
دقت پیش‌بینی‌های تورم به دلیل ناهماهنگی در تکنیک‌های پیش‌بینی و مشخصات مدل محدود شده است. استوک و واتسون (2010) در بررسی مدل‌های پیش‌بینی و تحلیل مقایسه‌ای عملکرد مشخصات پیش‌بینی منحنی فیلیپس دریافتند که یک مدل پیش‌بینی تک متغیره تمایل دارد از مدل‌های پیچیده‌تر چند متغیره بهتر عمل کند. آلوارز-دیاز و گوپتا 2016 متعاقباً این نتیجه را تکرار کردند. عبدالسلام (2017)، که به مسائل خصوصی ذاتی اشاره می کند که می تواند بر قدرت پیش بینی منحنی های فیلیپس تأثیر بگذارد و نسخه های تقویت شده معادلات فیلیپس را که ضرایب متغیر با زمان را در بر می گیرد، تجزیه و تحلیل می کند، متوجه می شود که افزایش می تواند دقت پیش بینی را بهبود بخشد. گوپتا و همکاران (2017) نشان داده اند که یک عامل VAR با کیفیت افزوده می تواند از سایر مدل های VAR تقویت شده بهتر عمل کند. علاوه بر این، Balcilar و همکاران. (2017) نشان داده اند که مدل VARFIMA (متوسط متحرک خودبازگشتی یکپارچه کسری بردار) نسبت به مدل استاندارد برتری دارد.
بررسی سریع ادبیات نشان می‌دهد که ممکن است یک مدل یا مشخصات یک‌اندازه برای همه وجود نداشته باشد. استوک و واتسون (2010) استدلال معتبری دارند مبنی بر اینکه با توجه به نوسانات در پویایی تورم ایالات متحده که با تغییر اقتصاد ایالات متحده و تغییرات در رژیم های سیاست پولی همراه شده است، این تنوع در مطلوبیت نباید تعجب آور باشد. برای این منظور، Inoue و همکاران. (2017) شواهد قابل توجهی پیدا کردند که عملکرد یک مدل پیش‌بینی می‌تواند به اندازه پنجره تخمین حساس باشد. آنها روشی را برای تعیین یک دوره تخمین بهینه پیشنهاد می کنند که خطای پیش بینی میانگین مربعات شرطی (MSFE) را به حداقل می رساند. آنها نشان می‌دهند که روش انتخاب پنجره آنها برای مدل‌هایی که حاوی پیش‌بینی‌کننده‌های متعدد با پارامترهایی با الگوهای زمانی متفاوت هستند، بدتر می‌شود. آنها دریافتند که یک منحنی فیلیپس مبتنی بر بیکاری دارای قدرت پیش بینی تورمی است که از اندازه های بهینه استفاده شود.
