کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
5053053 | 1476503 | 2017 | 7 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Forecasting China's GDP growth using dynamic factors and mixed-frequency data
ترجمه فارسی عنوان
پیش بینی رشد تولید ناخالص داخلی چین با استفاده از عوامل پویا و اطلاعات فرکانس مخلوط
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
ترجمه چکیده
پیش بینی رشد تولید ناخالص داخلی مهم و ضروری است تا دولت چین برای تعیین هدف تولید ناخالص داخلی. این مقاله به طور کامل و کارآمد از اطلاعات اقتصاد کلان و مالی استفاده می کند و تلاش می کند تا پیش بینی های رشد پویای چین را با پیش بینی های پویا و اطلاعات فرکانسی مخلوط پیش بینی کند. مدل فاکتورهای پویا ابتدا برای انتخاب پیش بینی های پویا در میان مقدار زیادی از داده های ماهانه اقتصاد کلان و روزانه استفاده می شود و سپس رگرسیون نمونه گیری مخلوط برای پیش بینی رشد تولید ناخالص داخلی سه ماهه بر اساس پیش بینی های ماهانه و روزانه انتخاب شده اعمال می شود. نتایج تجربی نشان می دهد که پیش بینی ها با استفاده از پیش بینی های پویا و داده های فرکانس مخلوط دقت بیشتری نسبت به روش های پیش بینی سنتی دارند. علاوه بر این، پیش بینی ها با ترکیب پیش بینی و پیش بینی می توانند عملکرد پیش بینی را بهبود بخشند.
موضوعات مرتبط
علوم انسانی و اجتماعی
اقتصاد، اقتصادسنجی و امور مالی
اقتصاد و اقتصادسنجی
چکیده انگلیسی
Forecasting GDP growth is important and necessary for Chinese government to set GDP growth target. To fully and efficiently utilize macroeconomic and financial information, this paper attempts to forecast China's GDP growth using dynamic predictors and mixed-frequency data. The dynamic factor model is first applied to select dynamic predictors among large amount of monthly macroeconomic and daily financial data and then the mixed data sampling regression is applied to forecast quarterly GDP growth based on the selected monthly and daily predictors. Empirical results show that forecasts using dynamic predictors and mixed-frequency data have better accuracy comparing to traditional forecasting methods. Moreover, forecasts with leads and forecast combination can further improve forecast performance.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Economic Modelling - Volume 66, November 2017, Pages 132-138
Journal: Economic Modelling - Volume 66, November 2017, Pages 132-138
نویسندگان
Yu Jiang, Yongji Guo, Yihao Zhang,