خلاصة:
بررسی اثر حافظه در شاخص های مختلف اقتصادی، به خصوص تورم و بازار پول دارای جذابیت تحقیقاتی بالایی است . این تحقیق با استفاده از داده های شاخص قیمت مصرف کننده ایران در دوره زمانی ١٣٩٠/٠٨، ١٣٦٩/٠١، به بررسی ویژگی حافظه بلندمدت این شاخص پرداخته و مدل ARFIMA برای آن برازش شده است . همچنین مقادیر جزء خطا در مدل ARFIMA با استفاده از مدل FIGARCH مورد بررسی قرار گرفت تا مشخص شود که واریانس ناهمسانی تورم از چه مدلی پیروی میکند، نتایج تحقیق نشان دهنده این موضوع بود که سری زمانی ماهیانه تورم میتواند دارای ریشه کسری باشند. به عبارتی، درجه انباشتگی متغیر تورم میتواند عدد صحیح نباشد و کسری باشد. نتایج تحقیق نشان داد که درجه انباشتگی سری تورم باید بین صفر و یک باشد و بدین ترتیب فرضیه حافظه دار بودن سری تورم مطرح شد. با تخمین پارامتر حافظه بلندمدت در مدل مشخص شد که سری تورم دارای درجه انباشتگی ٠/٤٦ است و با یک بار تفاضل گیری دچار بیش تفاضل گیری میشویم . بنابراین ، سری تورم در ایران دارای حافظه بلندمدت است و آثار هر شوک بر این متغیر به دلیل حافظه بلندمدت آن تا دوره های طولانی باقی میماند.
The study of the effect of memory in different economic indices، especially inflation and money market، has high research attractiveness. In this paper، by using the data of consumer price index for Iran during 1990/04 – 2011/11، we investigate the characteristics of CPI’s long–run memory and regress its ARFIMA model. In addition، the amount of error terms in ARFIMA model are examined by FIGARCH model in order to determine what model the heteroscedasticity in inflation is following. The results indicate that monthly time series of inflation may have non-integer root. In other words، the degree of integration for inflation can be a non-integer number rather than an integer. To determine this، an Augmented Dikey- Fuller test، Philips–Prone test and KPSS are used and the results show that the degree of integration for inflation series should lie between zero and one. Thus، the hypothesis of inflation series with memory is proposed. By estimating the parameter of long run memory in the model it becomes evident that the inflation series has the degree of integration of 0.46 and one time differentiating leads to over-differentiation. Hence، inflation series has a long run memory in Iran and the effects of each shock on this variable exists for long periods.
ملخص الجهاز:
"همچنین مقادیر جزء خطا در مدل ARFIMA با استفاده از مدل FIGARCH مورد بررسی قرار گرفت تا مشخص شود که واریانس ناهمسانی تورم از چه مدلی پیروی میکند، نتایج تحقیق نشان دهنده این موضوع بود که سری زمانی ماهیانه تورم میتواند دارای ریشه کسری باشند.
برای در نظر گرفتن هم زمان هر دو اثر حافظه بلندمدت و کوتاه مدت در یک مدل سازی سری زمانی تک متغیره لازم است تفاضل گیری کسری با مدل سازی باکس و جنکینز ترکیب شود که در این صورت بار دیگر فرآیند (ARFiMA)p,d,q به دست میآید، با این تفاوت که در اینجا d به لزوم عدد صحیح نیست ، اما پارامترهای p و q اعداد صحیح نامنفی هستند (کشاورز حداد، ١٣٨٥).
وزن های واکنش تکانه تجمعی ٣ با در نظر گرفتن سری تورم تفاضلی ٤ yt یا (CPIt)Δ log معادله زیر به دست میآید: yt= ⧍ tog (CPit) = µ + (1−B)-d (B)-1 ɵ(B) εt= µ +∑j=oλjLjεt (17) ∞ مدل (ARFIMA)p,d,q دارای شکل کلی به صورت زیر است : Φ(L)(1−L)d(yt−µ)= (L)εt (18) 1- Impulse Response Weights 2- Past Shocks 3- Cumulative Impulse Response Weights 4- Differenced Inflation Series در این رابطه d پارامتر تفاضل گیری و μ میتواند هر تابع معین از زمان باشد، L عملگر وقفه است ، به طوری که Lyt=١-yt چندجمله ای (Φ)L و (L) نیز به ترتیب نشان دهنده مرتبه خودهمبسته و میانگین متحرک هستند."