کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5106427 1481432 2017 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Real-time inflation forecasting with high-dimensional models: The case of Brazil
ترجمه فارسی عنوان
پیش بینی تورم در زمان واقعی با مدل های بعدی: مورد برزیل
کلمات کلیدی
پیش بینی تورم در زمان واقعی، بازارهای نوظهور، انقباض، مدل های فاکتور، کمند، درختان رگرسیون، جنگل های تصادفی، رگرسیون زیر مجموعه کامل، فراگیری ماشین، اعتماد به نفس مجموعه مدل، ترکیب پیش بینی، پیش بینی کارشناسان،
ترجمه چکیده
ما نشان می دهیم که مدل های اقتصادسنجی با ابعاد بزرگ مانند انقباض و رگرسیون زیر مجموعه کامل، در پیش بینی تورم در زمان واقعی در محیط های غنی از اطلاعات بسیار خوب عمل می کنند. از تورم برزیل به عنوان یک برنامه استفاده می کنیم. مثلا یک نمونه ایده آل است، زیرا دارای نوسانات کوتاه مدت است و عوامل متعددی برای پیش بینی رفتار کوتاه مدت خود منابع زیادی را اختصاص می دهند. بنابراین، پیش بینی های دقیق توسط متخصصان هر دو به عنوان یک معیار و به عنوان یک رژلب نامزد مهم برای مدل های پیش بینی در دسترس هستند. علاوه بر این، ما پیش بینی ها را بر اساس مجموعه های اطمینان مدل ترکیب می کنیم و نشان می دهد که ترکیب مدل می تواند عملکرد پیش بینی های برتر را به دست آورد.
موضوعات مرتبط
علوم انسانی و اجتماعی مدیریت، کسب و کار و حسابداری کسب و کار و مدیریت بین المللی
چکیده انگلیسی
We show that high-dimensional econometric models, such as shrinkage and complete subset regression, perform very well in the real-time forecasting of inflation in data-rich environments. We use Brazilian inflation as an application. It is ideal as an example because it exhibits a high short-term volatility, and several agents devote extensive resources to forecasting its short-term behavior. Thus, precise forecasts made by specialists are available both as a benchmark and as an important candidate regressor for the forecasting models. Furthermore, we combine forecasts based on model confidence sets and show that model combination can achieve superior predictive performances.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Forecasting - Volume 33, Issue 3, July–September 2017, Pages 679-693
نویسندگان
, , ,