Wybrane metody prognozowania wskaźnika inflacji

• Autorzy: Agnieszka Przybylska-Mazur
• Języki publikacji: PL

Abstrakty

Podejmowanie decyzji monetarnych, finansowych i inwestycyjnych wiąże się z pewnym ryzykiem związanym z wyborem optymalnej decyzji. Ważnymi czynnikami wpływającymi na podjęcie optymalnej decyzji - decyzji minimalizującej ryzyko - są prognozy gospodarcze, które pozwalają przewidzieć pewne możliwe scenariusze mogące zaistnień w przyszłości w gospodarce. Jedną z istotnych determinant wyznaczającą przyszłe trendy gospodarki jest prognoza wskaźnika inflacji, gdyż pozwala ona przewidzieć przyszłą sytuację w gospodarce. Wiele banków centralnych wybiera jako cel stabilny poziom cen i dlatego prognozują one inflację. Prognozie wskaźnika inflacji mogą towarzyszyć prognozy innych zmiennych makroekonomicznych, takich jak np. PKB, jak również prognoza sytuacji na rynku pracy oraz sytuacji na rynkach finansowych, a także prognozy zmiennych ze sfery pieniężnej. Ponadto w skali makro zachodzą zjawiska złożone, do opisu których należy wykorzystać więcej niż jedną zmienną. W tym rozdziale pracy porównano efektywność prognoz inflacji wyznaczonych na podstawie modeli alternatywnych do modeli strukturalnych. Przedstawiono metody prognozowania inflacji na podstawie modeli autoregresji, w oparciu o metodę autokowariancyjną, na podstawie modeli autoregresji wektorowej zredukowanego rzędu polityki pieniężnej. Biorąc pod uwagę fakt, że banki centralne gromadzą i analizują dużo danych ekonomicznych, w tej części pracy przedstawiono także prognozy wskaźnika inflacji wyznaczone na podstawie modelu VAR rozszerzonego o jedną z metod umożliwiających redukcję wymiaru przestrzeni zmiennych o analizę składowych głównych. Przedyskutowano problem wpływu sposobu wyboru rzędu autoregresji modelu VAR na prognozowanie wskaźnika inflacji. (fragment tekstu)

Słowa kluczowe

PL

Metody prognozowania; Wskaźnik inflacji; Ryzyko finansowe; Podejmowanie decyzji finansowych; Podejmowanie decyzji gospodarczych; Podejmowanie decyzji inwestycyjnych

EN

Forecasting methods; Inflation rate; Financial risk; Decision making of finance; Business decisions; Investment decisions making

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2013
• Tom: Wybrane aspekty modelowania statystycznego i analiz zagadnień rynku kapitałowego oraz rynku pracy w koncepcji zarządzania ryzykiem
• Strony: 97--133

Twórcy

autor

Agnieszka Przybylska-Mazur

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Akaike H. (1974), A New Look at the Statistical Model Identification, IEEE Tran. Automatic Control, AC-19.
• Box G.E.P., Jenkins G.M. (1976), Time Series Analysis, Forecasting and Control, Holden Day, San Francisco.
• Charemza W.W, Deadman D.F. (1997), Nowa ekonometria, Polskie Wydawnictwo Ekonomiczne, Warszawa.
• Dittmann P. (2004), Prognozowanie w przedsiębiorstwie. Metody i ich zastosowania, Oficyna Ekonomiczna, Kraków.
• Fujiwara I., Koga M. (2004), A Statistical Method for Inflation Forecasting: Pitting Etery Victor Autoregression and Forecasting under Model Uncertainty, Monetary and Economic Studies, March.
• Hannan E. J., Quinn B. G. (1979), The Determination of the Order of an Autoregression, "Journal of the Royal Statistical Society" No. 41, s. 190-195.
• Johnson A.R., Wichern D.W. (1998), Applied Multivariate Statistical Analysis, Prentice Hall, Upper Saddle River, New Jersey.
• Juselius K. (2006), The Cointegrated VAR Model. Methodology and Applications, Oxford University Press.
• Kosek W. (1993), The Autocovariance Prediction of the Earth Rotation Parameters, w: 7th International Symposium "Geodesy and Physics of the Earth" IAG Symposium, eds. H. Montag, Ch. Reigber, No. 112, Germany, Potsdam, Oct. 5-10, Springer-Verlag, s. 443-446.
• Larose D.T. (2008), Metody i modele eksploracji danych, Wydawnictwo Naukowe PWN Warszawa.
• Lutkepohl H. (2005), New Introduction to Multiple Time Series Analysis, Springer-Verlag, Berlin.
• Ng S., Perron P., (2001), A Note on the Selection of Time Series Models, Boston College Working Papers in Economics No. 500, Boston College, Department of Economics.
• Priestley M.B. (1981), Spectral Analysis and Time Series, Academic Press, London.
• Rovelli A., Vulpiani A. (1983), Characteristic Correlation Time as Estimate of Optimum Filter Lenght in Maximum Entropy Spectral Analysis, "Geophysical Journal. Royal Astronomical Society" Vol. 72.
• Schwarz G. (1978), Estimating the Dimension of a Model, "The Annals of Statistics" No. 6, s. 461-464.
• Tretter S.A. (1976), Introduction to Discrete-Time Signal Processing, Wiley, New York.