شناسایی عوامل موثر بر رکود اقتصادی در ایران: شبیه‌سازی مونت‌کارلو و الگوریتم متروپلیس هاستینگس

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری اقتصاد، دانشگاه آزاد اسلامی، واحد اصفهان (خوراسگان)، اصفهان، ایران

2 استاد گروه اقتصاد، دانشگاه آزاد اسلامی، واحد اصفهان (خوراسگان)، اصفهان، ایران

3 استادیار گروه اقتصاد، دانشگاه آزاد اسلامی، واحد اصفهان(خوراسگان)، اصفهان، ایران

چکیده

تغییرات شاخص‌ها و متغیرهای کلان اقتصادی مانند کاهش تولید ناخالص داخلی، کاهش صادرات نفت و تغییرات نرخ ارز نشان از وجود رکود طی دوره‌هایی در اقتصاد ایران دارد. در این مقاله از زنجیره مارکوف مونت‌کارلو (MCMC) و الگوریتم MH برای شناسایی عوامل موثر بر این رکود اقتصادی طی سال‌های ۱۳۹۵-۱۳۵۷ استفاده می‌شود. بررسی‌ها نشان می‌دهد نتایج الگوریتم MH، نتایج تخمین الگو با استفاده از رهیافت زنجیره مارکوف مونت‌کارلو را تایید می‌کند و نشان می دهد که در سطح اطمینان 95 درصد ضرایب متغیرها به لحاظ آماری معنادار و قابل اعتماد هستند. بنابراین تاثیرگذارترین متغیرها بر رکود اقتصادی با رهیافت مونت‌کارلو، تغییرات نرخ ارز، قیمت نفت خام و فساد دولتی برآورد شدند همچنین احتمالات پسین رژیم ها و نسبت درست‌نمایی نهایی نشان می‌دهد که نقاط تغییر در الگوی ششم (با متغیرهای: نرخ ارز، قیمت نفت خام، فساد دولتی و بهره‌وری) با بقیه الگوهای ارائه شده متفاوت است بنابراین تغییر رژیم در این الگو اتفاق می‌افتد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Identifying the Factors Affecting the Recession in Iran: Monte Carlo Simulation and Metropolis-Hastings (MH) Algorithm

نویسندگان [English]

  • Ramiar Refaei 1
  • Morteza Sameti 2
  • Sara Ghobadi 3
1 Ph.D Student in Economics, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran
2 Professor of Economics, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran
3 Assistant Professor of Economics, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran
چکیده [English]

Changes in macroeconomic indices and variables such as the decline in GDP, the decline in oil exports, and the exchange rate fluctuation indicate a period of recession in the Iranian economy. In this paper, the Monte Carlo Markov Chain (MCMC) and the MH algorithm are used to identify the factors that contributed to this recession during the years 0-1. The studies show that the results of MH algorithm confirm the model estimation results using Monte Carlo Markov chain approach and at 95% confidence level, the coefficients of the variables are statistically significant and reliable. Therefore, the most influential variables on the recession were estimated by Monte Carlo approach, exchange rate changes, crude oil prices, and government corruption. The results also show that the Bayes factor matrix for all estimation models is well-reasoned. The later probabilities of regimes and the final exponential ratio show that the change points in the sixth pattern (with variables: exchange rates, crude oil prices, government corruption and productivity) are different from the rest of the models presented, so regime change occurs in this model

کلیدواژه‌ها [English]

  • MH Algorithm
  • Monte Carlo Markov Chain
  • Recession
  • Bayes Factors
  1. افشاری، زهرا، محمودی، نوشین، و بوستانی، رضا (1392). ارزیابی الگوی رشد نئوکلاسیک در تبیین چرخه های تجاری ایران. مطالعات اقتصادی کاربردی ایران، 3 (9)، 189-204.
  2. بختیـارزاده، محمـد جـواد (1388). بررسی علـل و بحـران اقتصــادی 2008 آمریکــا و ارائــه راهکارهــا. مجلــهبررسیهای بازرگانی، 38(3). 58-38.
  3. شاکری، عباس، و قلیچ، وهاب (1394). عوامل موثر بر چرخه های تجاری اقتصاد ایران یک الگو ی خود رگرسیون برداری ساختاری. فصلنامه پژوهشهای پولی-بانکی، 25(8)، ۴۸۰-۴۵۵.
  4. طیب نیا، علی، و قاسمی، فاطمه (1389). اندازه گیری چرخه های تجاری در ایران. مجله تحقیقات اقتصادی، 92(6)،  206-183.
  5. مجاهدی موخر، محمد مهدی، خرسندی، مرتضی، و بابوی، سحر (۱۳۹۶). تحلیل رکود مداوم پولی در اقتصاد ایران. فصلنامه پژوهشها و سیاستهای اقتصادی، 82(9)،  ۳۶۶-۳۳۱.
  6. گرجی، ابراهیم، و انواری، فرزانه (1397). نقش بانک مرکزی در ایجاد سیکلهای تجاری در اقتصاد ایران.  فصلنامه اقتصاد پولی و مالی، 25(15)، 112-76.
  7. هادیان، ابراهیم، و هاشم پور، محمد رضا (1382). شناسایی چرخه های تجاری در اقتصاد ایران. فصلنامه پژوهشهای اقتصادی ایران، 15(5)، 120-93.
  8. نیلی، مسعود، و درگاهی، حسن (1377). تحلیل‌ وضعیت‌ رکودی‌ اقتصاد ایران‌ بر مبنای‌ نظریه‌های‌ چرخه‌های‌ تجاری‌ وارائه‌ راهکارها. فصلنامه برنامه ریزی و بودجه، 31(6)،  91-102.
 
  1. Adeniran, B., &Sidiq, O. (2018). Economicrecession and the way-out: nigeria ascase study.Global Journal of Human Social Science, 18(1), 181-192.
  2. Afshari, Z., Mahmoudi, N., & R, Boustani. (2013). Evaluation of the neoclassical growth model in explaining business cycles in iran. Iranian Applied Economics Studies Quarterly, 9(3), 189-204 (In Persian).
  3. Arrow, K., & Kurz, M. (1970). Public investment, the rate of return and optimal fiscal policy. Quarterly Journal of Economics, 87(32), 231-242.
  4. Bakhtiar zadeh, M. (2009). Investigating the causes and crisis of the 2008 us economic crisis and offering solutions. Journal of Business Reviews, 38(3), 38-58 (In Persian).
  5. Barro, R. (1991). Economic growth in a cross section of countries. Quarterly Journal of Economics, 106(2), 407-443.
  6. Burns, A., & Mitchell, W. (1946). Measuring business cycles. NBER, 322-340.
  7. Besag, J., Green, P., Higdon, D., & K., Mengersen (1995). Bayesian computation and stochastic systems. Statistical Science, 10(4), 3–66.
  8. Canova, Fabio, & Nicolo, G. (2008). Monetary disturbances matter for business fluctuations in the G-7. Journal of Monetary Economics, 49(6), 1131-1159.
  9. Chauvet, M., & Potter, S. (2005). Forecasting recessions using the yield curve. Journal of Forecasting, 24(2), 77-103.
  10. Celeux, G., & Diebolt, J. (1985). The SEM algorithm: A probabilistic teacher algorithm derived from the EM algorithm for the mixture problem. Computational Statistics Quarterly, 29(2), 73-82.
  11. Chib, S., & Jeliazkov, I. (2001). Marginal likelihood from the metropolis hastings output. Journal of the American Statistical Association, 96(12), 270–281.
  12. Clinton, J., Jackman, S., & D., Rivers. (2004). The statistical analysis of roll call data. American Political Science Review, 98(23), 355–370.
  13. Dornbush, R., Fisher, S., & R., Startz. (2004). Macroeconomics. McGraw-Hill/Irwin; 11 edition (December 13, 2004).
  14. Estrella, A., & Mishkin, F. (1998). Predicting U.S. recessions: financial variables as leading indicators. The Review of Economics and Statistics, 80(1), 45-61.
  15. Gelfand, A. E., & Smith, A. (1990). Sampling-based approaches to calculating marginal densities. Journal of the American Statistical Association, 85(10), 398-409.
  16. Gelman, A., & King, G. (1990). Estimating the electoral consequences of legislative redistricting. Journal of the American Statistical Association, 85(14), 274–282.
  17. Geman, S., & Geman, D. (1984). Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images. Transactions on Pattern Analysis and Machine Intelligence, 12(2), 609-628.
  18. Geweke, J., & Keane, M. (2000). An empirical analysis of income dynamics. Journal of Econometrics, 96(23), 293–356.
  19. Gorjy, E., & Anvari, F. (2018). The role of the central bank in creating business cycles in the Iranian economy, Quarterly journal of Monetary and Financial Economics, 25(15), 76-112 (In Persian).
  20. Hadian, I., & Hashempur, M. (2003). Identification of business cycles in iran’s economy. Journal of Economic Research, 15(5), 93-120 (In Persian).
  21. Hoff, P., Raftery, A., & M., Handcock. (2002). Latent space approaches to social network analysis. Journal of the American Statistical Association, 97(46), 1090–1098.
  22. Hoff, P., & Ward, M. (2004). Modeling dependencies in international relations networks. Political Analysis, 12(4), 160–175.
  23. Hooi Tan, S., & Habibullah, M. (2016). Business cycles and monetary policy asymmetry: An investigation using Markova-switching models. Statistical Mechanics and its Applications, 380(1), 297-306.
  24. Kauppi, H., & Saikkonen, P. (2005). Predicting U.S. recessions with dynamic binary response models. Helsinki Center of Economic Research, 79(22), 65-87.
  25. Kim, C. J., & Starts, R. (2001). Permanent and transitory components of business cycles: their relative importance and dynamic relationship. Board of Governor of Federal Reserve System, 34(2), 443-552.
  26. King, G., Rosen, O., & M., Tanner. (1999). Binomial-beta hierarchical models for ecological inference. Sociological Research and Methods, 28(16), 61–90.
  27. Kydland, F. E., & Prescott, C. (1990). Business cycle: real facts and a monetary myth. Federal Reserve Bank of Minneapolis Quarterly Review, 14(2), 3-18.
  28. Machado, C. (2018). Measuring business cycles: the real business cycle approach and related controversies. Journal of Economics and Management of the University of Porto, 107(42), 1040-1061.
  29. Mankiw, G., Romer, D., & Weil, D. (1992). A contribution to the empirics of economic growth. Quarterly Journal of Economics, 107(28), 37-407.
  30. Martin, A., & Quinn, M. (2002). Dynamic ideal point estimation via markov chain monte carlo for the u.s. supreme court. Political Analysis, 10(2), 134–153.
  31. Metropolis, N., Rosenbluth, M., Rosenbluth, A., & E., Teller. (1953). Equations of state calculations by fast computing machines.Journal ofChemicalPhysics, 21(18), 1087-1092.
  32. Mojahedi Moakher, M., Khorsandi, M., & S., Baboy. (2017). An analysis of the persistent monetary stagnation in the Iranian economy. Journal of Economic Research and Policies, 82(9), 331-366 (In Persian).
  33. Nili, M., & Dargahi, H. (1998). Analysis of the recession of the Iranian economy based on business cycle theories and solutions. Quarterly the journal of Planning and Budgeting, 31(6), 91-102 (In Persian).
  34. Quinn, K., Martin, A., & A., Whitford. (1999). Voter choice in multi-party democracies: a test of competing theories and models. American Journal of Political Science, 43(22), 1231–1247.
  35. Quinn, K., & Martin, A. (2002). An integrated computational model of electoral competition. Statistical Science, 17(12), 405–419.
  36. Owyang, M., Piger, J., & H., Wall. (2012). Business cycle phases in u.s. states. Working paper.
  37. Ryu-ichiro, M., & ono, Y. (2009). Zero nominal intrest rate, unemployment, excess reserves and deflation in a liquidity trap. The institute of social and economic research. Osaka University.
  38. Ryu-ichiro, M., & ono, V. (2015). Consumption function and multiplier effect. the institute of social and economic research, Osaka university.
  39. Shakeri, A., & Ghlich, V. (2015). Factors influencing business cycles of the iranian economy, a structural vector self-regression model. Quarterly Journal of Monetary-Banking Research, 8(2), 455-480 (In Persian).
  40. Tanner, M., & Wong, W. (1987). The calculation of posterior distributions by data augmentation. Journal of the American Statistical Association, 82(10), 528–550.
  41. Tayyebnia, A., & Ghasemi, F. (2010). Measuring the business cycles in iran. Journal of Economic Research, 92(6), 183-206 (In Persian).
  42. Tierney, L. (1994). Markov chains for exploring posterior distributions (with discussion). Annals of Statistics, 22(12), 1701-1762.
  43. Western, B. (1998). Causal heterogeneity in comparative research: A Bayesian hierarchical modelling approach. American Journal of Political Science, 42(16), 1233–1259.
  44. Wilkerson, D. (1999). Killer amendments in congress. American Political Science Review, 93(22), 535–552.