پیش‌بینی رگرسیون کوانتیل از تورم تحت عدم قطعیت مدل

Elsevier
سال انتشار :
2017
تعداد صفحات مقاله انگلیسی :
10
نشریه :
الزویر
تعداد رفرنس ها :
34
نوع مقاله :
مقاله ISI
کراس مارک :
Crossmark
keywords :
Bayesian model averaging Quantile regression Inflation forecasts Fan charts
کلمات کلیدی :
مدل میانگین بیزی، رگرسیون کوانتیل ، پیش بینی تورم، نمودار هواداران
عنوان فارسی :

پیش‌بینی رگرسیون کوانتیل از تورم تحت عدم قطعیت مدل

عنوان انگلیسی :

Quantile regression forecasts of inflation under model uncertainty

ژورنال :
International Journal of Forecasting
لینک مقاله :
http://www.sciencedirect.com/science/article/pii/S0169207016300759
آدرس DOI :
https://doi.org/10.1016/j.ijforecast.2016.07.005
وضعیت ترجمه :
انجام نشده.

سال انتشار : 2017

تعداد صفحات مقاله انگلیسی : 9

نشریه : الزویر

تعداد رفرنس ها : 34

نوع مقاله : مقاله ISI

کلمات کلیدی انگلیسی : Bayesian model averaging Quantile regression Inflation forecasts Fan charts

کلمات کلیدی : مدل میانگین بیزی، رگرسیون کوانتیل ، پیش بینی تورم، نمودار هواداران

عنوان فارسی : پیش‌بینی رگرسیون کوانتیل از تورم تحت عدم قطعیت مدل

عنوان انگلیسی : Quantile regression forecasts of inflation under model uncertainty

لینک مقاله : http://www.sciencedirect.com/science/article/pii/S0169207016300759



چکیده انگلیسی
This paper examines the performance of Bayesian model averaging (BMA) methods in a quantile regression model for inflation. Different predictors are allowed to affect different quantiles of the dependent variable. Based on real-time quarterly data for the US, we show that quantile regression BMA (QR-BMA) predictive densities are superior to and better calibrated than those from BMA in the traditional regression model. In addition, QR-BMA methods also compare favorably to popular nonlinear specifications for US inflation.

چکیده فارسی
این مقاله به طور متوسط عملکرد مدل بیزی را در مدل رگرسیون کوانتیل برای تورم بررسی می‌کند . پیش‌بین‌های مختلف اجازه دارند تا بر کوانتیل‌های مختلف متغیر وابسته تاثیر بگذارند . براساس داده‌های زمانی واقعی برای ایالات‌متحده ، ما نشان می‌دهیم که رگرسیون کوانتیل ( QR - BMA ) چگالی‌های پیش‌بینی ، نسبت به آنها در مدل رگرسیون سنتی بهتر اندازه گیری و کالیبره شده‌اند . علاوه بر این روش QR-BMA نیز به طور مطلوب برای مشخصات غیرخطی مطلوب برای تورم ایالات متحده مقایسه می شود.





مشاهده فایل pdf مقاله :