مروری بر مدل های کلان سنجی پویای جدید: یک رویکرد کل به جزء خودکار (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
رویکردهای اقتصادسنجی براساس تأکیدی که به هر یک از شاخص های ارزیابی و انتخاب مدل من جمله نظریات اقتصادی، داده ها، کیفیت پیش بینی و شبیه سازی سیاستی دارند، قابل تحلیل هستند. به صورت تاریخی، پیش فرض های نظری عموماً با داده های نامانای اقتصادی سازگاری ندارند که این پدیده به دلیل بروز شوک های انتقال مکانی توزیع های آماری متغیرها در واقعیت رخ می دهد که این امر می تو اند منجر به شکست در پیش بینی، شبیه سازی و حتی پایه های اثبات ریاضی مدل ها گردد؛ بنابراین، در این مطالعه ضمن بررسی این مشکلات، رویکرد اتومتریکس که به وسیله اجازه ورود تعداد متغیرهای بیش از مشاهدات (N>>T) رویکردهای نظریه محور و داده محور را با هم ادغام می کند، ارائه می شود. در این رویکرد متغیرهای نظریات رقیب، وقفه های متعدد تمام متغیرها، توابع غیرخطی، روندهای قطعی و تصادفی، متغیرهای شاخص (SISIIS,) برای تحلیل شیفت های مکانی ناشی شکست های ساختاری، برون زایی ضعیف و ابربرون زایی علاوه بر متغیرهای یک نظریه خاص به مدل وارد می شوند که با این کار اجازه حفظ متغیرهای نظری بدون تحمیل آنان به مدل محیا می گردد. به منظور حل مدل اولیه دارای متغیرهای متعدد از الگوریتم جستجو مدل چندمسیره اتومتریکس استفاده می شود که در آن براساس آزمون های آماری مختلف و در چهارچوب نظریه آماری تقلیل، مدل نهایی با سه ویژگی خست از نظر تعداد متغیر، تجانس و شمولیت آماری به دست می آید.A Survey of New Dynamic Macro Econometric Models:An Automatic General-to-Specific Approach
Econometric methodologies can be evaluated based on several criteria, including consistency with economic theory, empirical robustness, forecasting performance, and policy relevance. Traditional theory-driven models often fail to account for non-stationarities in economic data-such as location shifts induced by structural changes-resulting in poor forecasting performance, unreliable policy simulations, and, at times, mathematical inconsistencies. This paper reviews the limitations associated with these evaluation criteria and introduces the Autometrics approach as a comprehensive model selection framework. Autometrics integrates theory-driven and data-driven strategies, often resulting in more candidate variables (N) than observations (T). The approach allows for the inclusion of theoretically relevant variables, dynamic adjustments, nonlinearities, deterministic and stochastic trends, and indicator saturation (IIS, SIS) to account for structural breaks and exogeneity, while preserving the integrity of theory-model parameter estimates. By employing a multi-path model selection algorithm, Autometrics identifies a congruent, parsimonious, and encompassing model through rigorous diagnostic testing of the reduction process.
تبلیغات
