چکیده:
داشتن تورمی پایین و رشد اقتصادی پایدار، هدف نخست سیاستگذاران اقتصادی است که برای رسیدن به این هدف طلایی، پیش بینی قابل اطمینان از متغیرهای کلان اقتصادی نقش مهمی ایفا می کند. در این مطالعه سعی شده است تا عملکرد مدل های خودرگرسیون برداری بیزی با اطلاعات (Priors) متفاوت برای پیش بینی متغیرهای کلان در اقتصاد ایران ارزیابی شود. ویژگی منحصر به فرد این مقاله استفاده از الگوریتم گیبس برای تخمین مدل BVAR و مقایسه آن با دو مدل BVAR شبه بیزی است که در آنها از اطلاعات نرمال ویشارد ( (Normal Wishardومینستا Minnesota )) استفاده شده است، جهت ارزیابی دقت پیش بینی متغیرهای کلان اقتصادی است. در این مطالعه مقایسه دو مدل BVAR شبه بیزی فوق و BVAR با الگوریتم گیبس با توزیع پیشین یکسان مینستا نشان میدهد که مقدار MSFE در پیش بینی متغیر های اقتصادی برای 4 دوره در مدل BVAR با الگوریتم گیبس کمتر بوده و این مدل در کل عملکرد بهتری در پیش بینی متغیرهای کلان اقتصادی فوق نسبت به مدلهای شبه بیزی دارد.
Low and stable inflation with sustainable growth is the first objective of any monetary authority. To achieve this prime goal، reliable forecast of macroeconomic variables play an important role. This paper investigates the forecasting performance of BVAR models with different priors for Iranian economy. For this purpose we use BVAR approach with Gibbs sampling for quarterly data of the Iranian economy from 1989:Q1 to 2007:Q4. The main advantage of this paper is using Gibbs Sampling to estimate BVAR models and use of Quasi BVAR models with Normal Wishart and Minnesota priors in order to compare forecast accuracy of the macroeconomic variables. Comparison of the BVAR with Gibbs Sampler and Quasi BVAR models in this experience shows that the value of MSFE in predicting macroeconomic variables for the four ahead period forecasts in BVAR model with Gibbs algorithms is less than Quasi BVAR models. Generally BVAR model with Gibbs sampling algorithms performs better than Quasi BVAR models in forecasting.