Д. Тутберидзе, асп., молодший дослідник, Д. Жапариджзе, д-р екон. наук, проф. Інститут економіки і бизнесу при Ілійському державному університеті (ІДУ), Тбілісі, Грузія МАКРОЕКОНОМІЧНЕ ПРОГНОЗУВАННЯ З ВИКОРИСТАННЯМ БАИЄСІВСЬКОГО ПІДХОДУ ДО ВЕКТОРНОЇ АВТОРЕГРЕСІЇ

Posted on by

Є багато аргументів, які можуть бути висунуті для підтримки прогнозування діяльності господарюючих суб’єктів. Основним аргументом на користь прогнозування є те, що управлінські рішення у значній мірі залежать від правильної оцінки майбутніх тенденцій, оскільки ринкові умови постійно змінюються і вимагають детального аналізу майбутньої динаміки. У статті розглянуто важливість використання розумного макроеконометричного інструменту, запропонувавши ідею умовного прогнозування за допомогою системи моделювання векторної авторегресїї (VAR). У межах зазначеної структури, макроекономічна модель економіки Грузії будується з кількома змінними, як прийнято вважати, формування бізнес-середовища. На основі моделі вироблено прогнози макроекономічних показників і проаналізовано три типи сценаріїв – базовий рівень і два альтернативних із них. Результати дослідження надають підтверджуючі докази того, що запропонована методика адекватної адресації дослідного феномена може широко використовуватися господарюючими суб’єктами в задоволенні своїх стратегічних та оперативних завдань планування. З огляду на цю настанову, емпірично доведено, що байєсівський підхід до векторної авторегресїї дає обґрунтовані прогнози для змінних, що представляють інтерес.

Ключові слова: прогнозування, макроекономічне моделювання, байєсівська VAR, Litterman сценарій, сценарний аналіз, IFRS 9.

Надійшла до редколегії 09.01.2017

DOI: https://doi.org/10.17721/1728-2667.2017/191-2/7

References

  1. Banbura, M., Giannone, D. & Reichlin, L. (2008). Large Bayesian VARs. s.l.:European Central Bank. https://doi.org/1002/jae.1137
  2. Canova, F. (1995). Vector autoregressive models: specification, estimation, inference and forecasting. In: Handbook of applied econometrics. s.l.:s.n., pp. 73-138.
  3. Chaman, J. L. & Malehorn, J. (2005). Practical Guide to Business Forecasting. s.l.:Institute of Business Forecasting.
  4. Christoffel, K., Coenen, G. & Warne, A. (2010). Forecasting with DSGE models. s.l.:European Central Bank.
  5. Ciccarelli, M. & Rebucci, A. (2003). Bayesian Vars: A Survey of the Recent Literature with an Application to the European Monetary System. Washington: International Monetary Fund. https://doi.org/10.5089/9781451852639.001
  6. Clark, T. E. & McCracken, M. W. (2014). Evaluating Conditional Forecasts from Vector Autoregressions. s.l.: Working Paper 1413, Federal Reserve Bank of Cleveland.
  7. D’Agostino, A. & Giannone, D. (2006). Comparing alternative predictors based on large-panel factor models. s.l.:European Central Bank.
  8. Diebold, F. (1998). The Past, Present, and Future of Macroeconomic Forecasting. Journal of Economic Perspectives, pp. 175-192. https://doi.org/10.1257/jep.12.2.175
  9. Galf, J. & Monacelli, T. (2005). Monetary Policy and Exchange Rate Volatility in a Small Open Economy. Review of Economic Studies, pp. 707-734. https://doi.org/10.1111/j.1467-937x.2005.00349.x
  10. International Financial Reporting Standards (IFRS). Retrieved December 28, 2016, from http://www.ifrs.org/Current- Projects/IASB-Projects/Financial-Instruments-A-Replacement-of-IAS-39-Financial-Instruments-Recognitio/Pages/Financial- Instruments-Replacement-of-IAS-39.aspx
  11. International Monetary Fund Concludes visit to Georgia, IMF, November 23, 2016. Retrieved December 28, 2016, from http://www.imf.org/en/Countries/ResRep/GEO.
  12. Hamilton, J. D. (1994). Time Series Analysis. s.l.:Princeton University Press.
  13. IFRS staff (2015). Incorporation of forward-looking scenarios.
  14. Klein, L. & Goldberger, A. (1955). An Econometric Model for the United States, 1929-1952. Amsterdam: North- Hollard.
  15. Koop, G. (2013). Forecasting with Medium and Large Bayesian VARs. Journal of Applied Econometrics, Volume 28, p. 177-203.
  16. Korobilis, D. (2013). VAR forecasting using Bayesian variable selection. Journal of Applied Econometrics, Volume 28, pp. 204-230.
  17. Litterman, R. (1986). Forecasting with Bayesian vector autoregressions – Five years of experience. Journal of Business and Economic Statistics, pp. 25-38. https://doi.org/10.2307/1391384
  18. Lucas, R. (1976). Econometric Policy Evaluation: A Critique. In: The Phillips Curve and the Labor Market. Amsterdam: North-Holland.
  19. Rotemberg, J. J. & Woodford, M. (1997). An Optimization-Based Econometric Framework for the Evaluation of Monetary Policy. NBER Macroeconomics Annual, p. 297-346. https://doi.org/10.2307/3585236
  20. Ryan, B. (2004). Finance and Accounting for Business. s.l.:Cengage Learning EMEA.
  21. Sargent, T. & Wallace, N. (1975). ‘Rational’ Expectations, the Optimal Monetary Instrument, and the Optimal Money Supply Rule. Journal of Political Economy, pp. 241-254. https://doi.org/10.1086/260321
  22. Sims, C. (1980). Macroeconomics and Reality. Econometrica, pp. 1-48. https://doi.org/10.2307/1912017
  23. Tovar, C. (2008). DSGE models and central banks. s.l.:Bank for International Settlements.
  24. Wickens, M. (2012). How Useful are DSGE Macroeconomic Models for Forecasting? s.l.: CEPR Discussion Papers 9049, C.E.P.R. Discussion Papers

Завантажити