Теоретические аспекты макроэкономического прогнозирования тема диссертации и автореферата по ВАК РФ 08.00.01, кандидат экономических наук Турунцева, Марина Юрьевна
- Специальность ВАК РФ08.00.01
- Количество страниц 149
Оглавление диссертации кандидат экономических наук Турунцева, Марина Юрьевна
Введение.
Глава 1. Теоретические основы макроэкономического прогнозирования.
1.1. Теория макроэкономического прогнозирования
1.2. Основные теоретические и методологические проблемы, возникающие при макроэкономическом прогнозировании.
1.3. Основные подходы к анализу качества макроэкономических прогнозов.
Глава 2. Разработка методологии прогнозирования макроэкономических показателей российской экономики
2.1. Обзор российского опыта макроэкономического прогнозирования.
2.2. Методологические подходы к прогнозированию российских макроэкономических показателей.
2.3. Методика исследования качества прогнозов макроэкономических показателей.
2.4. Основные подходы к корректировке ошибок прогноза.
Глава 3. Сравнительное исследование качества прогнозов российских экономических показателей.
3.1. Влияние на качество прогнозов различных подходов к прогнозированию макроэкономических показателей.
3.2. Влияние на качество прогнозов различных методов корректировки ошибок.
Рекомендованный список диссертаций по специальности «Экономическая теория», 08.00.01 шифр ВАК
Математическое моделирование инфляционных процессов в условиях трансформирующейся экономики: На примере России2004 год, кандидат экономических наук Сухова, Анна Александровна
Налоговое планирование и прогнозирование в системе налогообложения Российской Федерации2008 год, кандидат экономических наук Вардересян, Лусинэ Владимировна
Краткосрочное прогнозирование макроэкономических показателей СНС на основе месячных индикаторов2004 год, кандидат экономических наук Эскин, Владимир Леонидович
Экономико-математические модели оценки и прогнозирования валютных рисков при осуществлении внешнеэкономической деятельности2010 год, доктор экономических наук Сычев, Василий Анатольевич
Тенденции макроэкономических структурных изменений в России: агентский подход2008 год, кандидат экономических наук Синицкая, Екатерина Владимировна
Введение диссертации (часть автореферата) на тему «Теоретические аспекты макроэкономического прогнозирования»
Актуальность темы исследования. Прогнозирование макроэкономических показателей является одним из основных элементов макроэкономической политики и выполняет ряд важных экономико-политических функций. При принятии экономико-политических решений необходимо иметь представление о будущем, чтобы ограничить возможные варианты экономической политики, а также получить некоторые критерии, дающие впоследствии возможность оценить качество этих решений. С этой точки зрения можно говорить о том, что макроэкономическое прогнозирование выполняет важнейшую мониторинговую функцию.
Официальные прогнозы в России публикуются Министерством экономического развития Российской Федерации и Центральным Банком России. Кроме того, многие научно-исследовательские институты, банки и инвестиционные компании также регулярно публикуют прогнозы основных макроэкономических показателей Российской Федерации. Среди российских и зарубежных институтов и организаций отметим Центральный экономико-математический институт РАН, Институт народнохозяйственного прогнозирования РАН, Институт экономической политики им. Е.Т. Гайдара, Центр макроэкономического анализа и краткосрочного прогнозирования, Международный Валютный Фонд, Всемирный Банк, Организацию экономического сотрудничества и развития, Сбербанк России и другие. Здесь можно выделить две основные проблемы. Во-первых, подробная информация об используемых моделях, как правило, отсутствует. Во-вторых, нет системы обратной связи: после публикации прогнозов практически отсутствует публичный анализ их качества, а с точки зрения экономической политики ответ на этот вопрос является очень важным, т.к. при принятии экономико-политических решений нужно понимать, насколько можно доверять тем или иным прогнозам.
В этой связи тема настоящего диссертационного исследования, посвященного анализу методов макроэкономического прогнозирования в России, представляется актуальной, как с точки зрения развития теории и методологии макроэкономического прогнозирования, так и с точки зрения практического применения методов макроэкономического прогнозирования к российским данным, анализа качества макроэкономических прогнозов и необходимости использования методов их корректировки.
Объект и предмет исследования. Объектом исследования являются процессы динамики макроэкономических показателей. Предметом исследования -методология и методы прогнозирования макроэкономических показателей Российской Федерации и оценки их качества.
Цели и задачи исследования. Основной целью работы является совершенствование теории прогнозирования и разработка методологии макроэкономического прогнозирования, включая разработку методик оценки качества прогнозов и корректировки прогнозов в режиме «реального времени».
Для достижения поставленных автором целей были поставлены и решены следующие задачи:
• систематизированы современные теоретические и методологические подходы в области макроэкономического прогнозирования, оценки качества и корректировки прогнозов.
• на основе анализа и систематизации современных подходов к теоретическому анализу отдельных экономических закономерностей предложены методология построения макроэкономических прогнозов российских данных, развиты теоретические подходы к оценке качества прогнозов, разработана методика корректировки прогнозов в режиме «реального времени», предложены способы корректировки прогнозов в режиме «реального времени» и проведен анализ качества различных методов корректировки прогнозов.
• на основе разработанной методологии предложены прогнозные модели и проведено сравнение качества получаемых различными методами прогнозов. Степень научной разработанности темы. Теоретические подходы к макроэкономическому прогнозированию описаны, в частности, в работах Дж. Бокса, Г. Дженкинса, Л. Клейна, О. Моргенштерна, Г. Тейла, Я. Тинбергена, Р. Фриша, Г. Фромма, Т. Ховельмо и других, а эмпирическое исследование различных методов прогнозирования макроэкономических показателей в исследованиях М.Ватсона, К. Грейнджера, Ф. Диболда, М. 4
Клементса, П. Ньюболда, Дж. Стока, Д. Хендри и других. Из российских ученых вопросы макроэкономического прогнозирования исследовали А. Белоусов, Э. Ершов, Н. Иванова, А. Клепач, А. Коровкин, Ю. Лукашин, В. Носко, М. Узяков, А. Френкель, К. Юдаева и другие.
Проведенный автором аналитический обзор российской и зарубежной литературы и классификация используемых методов показали, что наиболее распространенный подход к прогнозированию основан на использовании эконометрических моделей, а также экспертных оценок, результаты которых чаще всего представлены в виде консенсус-прогнозов. Применительно к прогнозированию российских макроэкономических рядов можно говорить о том, что в России отсутствуют большие модели одновременных уравнений, аналогичные, например, Брукингской или Вортонской моделям американской экономики, а также работы по анализу качества российских прогнозных моделей и методов корректировки прогнозов.
Метод исследования. Методологической базой исследования является сочетание теоретического подхода к анализу экономических явлений и теории прогнозирования, методов анализа качества получаемых прогнозов, методов корректировки прогнозов с целью улучшения их качества и анализа последствий этой корректировки.
Эконометрическое оценивание в работе производилось на данных, имеющих структуру временных рядов. Особое внимание уделено анализу динамических свойств российских временных рядов: наличию сезонности, структурных сдвигов и т.д.
Научная новизна. На основе аналитического обзора теоретических подходов к прогнозированию экономических закономерностей в диссертации были впервые получены следующие принципиально новые результаты:
1. Проанализированы и систематизированы различные теоретические подходы к прогнозированию макроэкономических показателей и построена их новая классификация, включающая как структурные методы, так и методы временных рядов.
2. На основе совместного анализа теоретических моделей, описывающих закономерности динамики макроэкономических показателей и методологических основ прогнозирования, разработаны теоретические подходы к оценке эффективности прогнозирования на основе структурных моделей и моделей временных рядов, основным критерием которой является уровень стабильности экономической динамики.
3. Теоретический анализ экономических моделей и эмпирических данных о наличии структурных сдвигов говорит в пользу гипотезы о том, что в Российской Федерации, так же как и в других странах, в периоды экономической стабильности лучшие результаты при прогнозировании могут быть получены при использовании методов временных рядов, в то время как в отсутствие стабильности введение в модели структурных переменных позволяют улучшать качество прогнозов по сравнению с методами временных рядов.
4. На основе развитых в работе теоретических положений предложены методики прогнозирования макроэкономических показателей РФ, включающие в себя прогноз, оценку качества прогноза и корректировку потенциальных ошибок прогнозирования.
Теоретическая и практическая значимость диссертации.
Проведенное автором исследование позволило получить важные теоретические и практические результаты. Изложенные аспекты научной новизны могут рассматриваться как вклад в теорию и практику макроэкономического прогнозирования. Теоретическая значимость работы заключается в совершенствовании теории прогнозирования и включает в себя разработку классификации методов прогнозирования и разработку методологии прогнозирования с учетом корректировки качества прогнозов.
Разработанные автором методики прогнозирования и проверки качества прогнозов позволяют учитывать специфические особенности, характерные для прогнозирования российских экономических показателей. Полученные результаты могут быть использованы в дальнейшем для теоретических и эмпирических исследований по проблемам прогнозирования макропоказателей в России и улучшения качества прогнозов.
Практическая значимость результатов заключается в том, что разработанная автором методика прогнозирования и корректировки прогнозов протестирована на реальных данных и, таким образом, показано, что она дает хорошие результаты и может быть применена, в том числе, в режиме «реального времени».
Материалы диссертации могут быть использованы в учебных курсах по теории временных рядов, методов прогнозирования и оценки качества прогнозов в высших учебных заведениях России.
Апробация результатов исследования и публикации по теме исследования. Основные положения диссертации изложены в семи публикациях, из которых три опубликованы в журналах, включенных в Перечень ВАК ведущих рецензируемых научных журналов и изданий.
Результаты исследования на различных этапах представлялись на семинарах в Институте экономической политики им. Е.Т. Гайдара, Российской Академии народного хозяйства и государственной службы при Президенте Российской Федерации, Всероссийской Академии внешней торговли Министерства экономического развития Российской Федерации. Автором на основе материалов, вошедших в данную работу, были подготовлены аналитические записки для Аппарата Правительства Российской Федерации по вопросам прогнозирования российских макроэкономических показателей, методические, эмпирические и лекционные материалы для правительственных организаций (в частности, для Аппарата Правительства Российской Федерации) и частных компаний, лекции для студентов НИУ-ВШЭ.
Основные положения данного диссертационного исследования изложены автором в следующих печатных работах:
1. Турунцева М. (2011), Прогнозирование в России: обзор основных моделей, Экономическая политика, №1 (февраль), стр. 193-202, 0,85 п.л.
2. Турунцева М. (2011), Прогнозы внешнеторговых показателей: сравнительных анализ качественных свойств различных моделей, Российский внешнеэкономический вестник, №2, стр. 35-45, 0,67 п.л.
3. Турунцева М. (2011), Статистические методы оценки качества прогнозов экономической деятельности, Российское предпринимательство, №8, выпуск 1, стр. 50-57, 0,23 п.л.
4. Турунцева М., 2003, Исследование структурных сдвигов в российской экономике на основе эконометрических методов анализа временных рядов, в: Е. Астафьева В.
Бессонов И. Воскобойников О. Луговой М. Турунцева, Анализ некоторых проблем экономического роста, АМР США, 2 п.л.
5. Турунцева М.Ю., 2005, Эконометрические методы прогнозирования социально-экономических показателей, в: Турунцева М.Ю., Юдин А.Д., Дробышевский С.М., Кадочников П.А., Трунин П.В., Пономаренко С.С. (2005), Некоторые подходы к прогнозированию экономических показателей, Москва: ИЭПП, 0,9 п.л.
6. Турунцева М., Киблицкая Т., 2010, Качественные свойства различных подходов к прогнозированию социально-экономических показателей РФ, Москва: ИЭПП, Научные труды №135Р, вклад автора: 4,5 п.л.
7. Турунцева М., Астафьева А., и др., 2003-2008, 2011-2012, Бюллетень модельных расчетов краткосрочных прогнозов социально-экономических показателей РФ, Москва: ИЭПП, ИЭП, ежемесячный бюллетень, интернет-источник: http://www■iet■rll/index■php?option=com ЫЫе1&Иет1ё=50&сайё=122&1апа:=ги&1а5к=5Ьо'^¥а11 ЫЬ
Похожие диссертационные работы по специальности «Экономическая теория», 08.00.01 шифр ВАК
Комплекс моделей сценарного прогнозирования макроэкономических процессов российской экономики2006 год, кандидат экономических наук Кулаков, Михаил Юрьевич
Макроэкономическое прогнозирование как фактор совершенствования государственного регулирования социально-экономического развития Российской Федерации2006 год, кандидат экономических наук Пашкова, Наталья Александровна
Развитие системы методов статистического анализа временных рядов2011 год, кандидат экономических наук Любчич, Вячеслав Владимирович
Стабилизационная политика Российского государства в условиях современного экономического кризиса2013 год, кандидат экономических наук Демченко, Ольга Сергеевна
Статистические методы информационного обеспечения и моделирования сбалансированной системы показателей развития региона: на примере Самарской области2008 год, кандидат экономических наук Проживин, Роман Анатольевич
Заключение диссертации по теме «Экономическая теория», Турунцева, Марина Юрьевна
Результаты исследования могут быть использованы для прогнозирования российских макроэкономических показателей, корректировки прогнозов на этапе прогнозирования, оценки качества прогнозов и выбора модели, которой в наибольшей степени можно доверять с точки зрения ее прогнозных свойств в текущей экономической ситуации. Проведенный анализ позволяет определить наборы показателей, наилучшим образом прогнозирующимся тем или иным методом в текущей экономической ситуации, выбрать наиболее эффективный метод корректировки прогнозов, если в этом есть необходимость. Также предлагаемая методика дает возможность мониторинга структурных изменений в моделях с минимальным временным лагом.
Заключение
Построение макроэкономических прогнозов является важной проблемой, имеющей различные теоретические и практические аспекты. В общем случае прогноз - это некоторое утверждение о каком-то событии, которое случится (или может случиться) в будущем. Цели прогнозирования могут быть самыми различными и зависеть от того, что мы прогнозируем. Применительно к экономическому прогнозированию можно выделить два основных мотива. Во-первых, экономическим агентам необходимо иметь информацию о будущих экономических событиях (показателях и т.д.), для того чтобы принимать экономико-политические решения, касающиеся будущего, в текущий момент времени. Во-вторых, прогнозы (точнее, их качество) можно рассматривать как один из тестов, характеризующий такие качества экономических агентов, как их квалификация, рациональность и т.д.
В настоящем диссертационном исследовании автором на основе зарубежного и российского опыта проведен анализ теоретических и эмпирических подходов к прогнозированию макроэкономических показателей, освещены методы анализа качества прогнозов и описаны основные проблемы, возникающие при прогнозировании.
Автором подробно проанализированы методологические подходы к макроэкономическому прогнозированию, в том числе, с точки зрения исторического опыта. На основе проведенного исследования автором показано, что основными методами прогнозирования являются математические, среди которых наиболее часто используются различные эконометрические методы прогнозирования: системы одновременных эконометрических уравнений, модели временных рядов (в частности, метод Бокса-Дженкинса), структурные эконометрические уравнения. Следующим по частоте использования является метод экспертных оценок, в основе которого нередко лежат математические методы, а результатом которого, как правило, являются прогнозы, выражаемые в форме консенсус-прогнозов.
Математические методы макроэкономического прогнозирования начали активно развиваться в 30-х годах 20 века и восходят к трудам нобелевских лауреатов Я. Тинбергена и Т. Ховельмо, которые дали толчок развитию такого аппарата макроэкономического моделирования и прогнозирования как системы одновременных уравнений. Особенно распространенными системы одновременных уравнений в качестве прогнозных комплексов были в США и Нидерландах. Большие макроэкономические модели - это довольно большой пласт как в макроэкономическом моделировании, так и в прогнозировании. Но помимо очевидных достоинств (например, они позволяют учесть все или многие экономические взаимосвязи и могут давать довольно точные прогнозы), эти модели обладают рядом существенных недостатков. Выделим два, являющихся, на наш взгляд, основными. Первое, что необходимо отметить, что такие модели являются очень громоздкими и требуют огромных затрат при реализации. Второй момент связан с так называемой критикой Р. Лукаса (Lucas, 1976) и заключается в том, что в таких моделях очень сложно учесть ожидания экономических агентов, которые, очевидно, не могут не влиять на экономические процессы и, как следствие, на макропрогнозы.
Еще одним методом прогнозирования, который является в некотором смысле альтернативой сложным и громоздким системам одновременных уравнений, можно назвать модели временных рядов. Данный аппарат прогнозирования получил свое развитие во многом благодаря методике, предложенной Дж. Боксом и Г. Дженкинсом (Box, Jenkins, 1970). Основным преимуществом методики Бокса и Дженкинса по сравнению с моделями одновременных уравнений является ее простота, основными недостатками - отсутствие экономической интерпретации моделей наличие предположения о том, что все тенденции, которые имели место в прошлом, сохранятся в будущем.
Поскольку прогнозирование связано, прежде всего, с выделением основной тенденции или тренда, необходимо отметить существование различных типов трендов - детерминированных и стохастических - а также то, что прогнозы, полученные по различным моделям трендов, обладают разной точностью, что необходимо понимать при построении моделей.
На основе анализа различных походов к оценке качества прогнозов макроэкономических показателей автором проведена структуризация методов оценки качества прогнозов по двум основным признакам. Первая группа признаков - это абсолютность и относительность характеристик качества прогнозов.
Абсолютные характеристики качества макроэкономических прогнозов — это те, которые позволяют ответить на вопрос о том, являются ли прогнозы, рассчитанные по конкретной модели хорошими с точки зрения некоторых критериев. Относительные характеристики же позволяют сравнить между собой по качеству две и более моделей. При этом сами модели могут быть хорошими/плохими точки зрения абсолютных характеристик.
Вторая группа признаков характеризуется сложностью методов оценки качества прогнозов: это могут быть простейшие статистики качества прогнозов, которые не позволяют ответить на вопросы о систематичности ошибок прогнозов, отсутствия значимых различий между прогнозами, полученными разными способами и т.д. Либо это могут быть более сложные тесты, дающие ответ на сформулированные выше вопросы. Коротко результаты проведенной систематизации можно отразить в таблице 1:
Список литературы диссертационного исследования кандидат экономических наук Турунцева, Марина Юрьевна, 2012 год
1. Публикации и иные источники на русском языке
2. Анатольев С. (2006), Тестирование на предсказуемость, Квантиль, №1, стр. 39-42.
3. Бокс Дж., Дженкинс Г. (1974) Анализ временных рядов, прогноз и управление, пер. с англ. // Под ред. В.Ф. Писаренко. М.: Мир, кн. 1. - 406 с.
4. Ершов Э.Б., 1973, Об одном методе объединения частных прогнозов, в: Статистический анализ экономических временных рядов и прогнозирование, Ученые записки по статистике, т. XXII-XXIII, Москва: НАУКА, с. 87-105.
5. Замулин О., Стырин К., 2012, Как различать причину и следствие? (Нобелевская премия по экономике 2011 года), Вопросы экономики, №1.
6. Ицхоки О., 2006, Выбор модели и парадоксы прогнозирования, Квантиль, №1.
7. Коровкин А.Г., 2001, Динамика занятости и рынка труда: вопросы макроэкономического анализа и прогнозирования, Москва: МАКС Пресс, 320 с.
8. Лауреаты Нобелевской премии по экономике (под ред. Окрепилова В.В.), 2007, т. 1 (1969-1982), Санкт-Петербург: Наука.
9. Лауреаты Нобелевской премии по экономике (под ред. Окрепилова В.В.), 2009, т.2 (1983-1996), Санкт-Петербург: Наука.
10. Лауреаты Нобелевской премии по экономике, (под ред. Окрепилова В.В.), 2010, т.З (1997-2009), Санкт-Петербург: Наука.
11. Ю.Лукашин Ю.П., 2003, Адаптивные методы краткосрочного прогнозирования временных рядов, Москва: Финансы и статистика, 416 с.
12. П.Маккракен М. (2006), Парные тесты на одинаковую точность прогнозов, Квантиль, №1, стр. 53-62.
13. Носко В.П., 2011, Эконометрика, в 2х книгах, М.: Дело.
14. Носко В.П, Энтов P.M., Дробышевский С.М., Юдин А.Д., 2001, Эконометрический анализ динамических рядов основных макроэкономических показателей. М.: ИЭ1111.
15. Носко В., Энтов Р., Юдин А., Кадочников П., Пономаренко С., 2002, Проблемы прогнозирования некоторых макроэкономических показателей, Москва, ИЭПП, Научные труды № 46.
16. Носко В., Бузаев А., Кадочников П., Пономаренко С., 2003, Анализ прогнозных свойств структурных моделей и моделей с включением результатов опросов предприятий. М.: ИЭПП.
17. Стырин, К., В. Крылова, А Моисеев, 2010, Опережающий индикатор ВВП РенКап-РЭШ: Признаков восстановления экономики становится больше, интернет-источник: http://www.nes.ru/ru/projects/indicator
18. Турунцева М.Ю, Киблицкая Т.Р, 2010, Качественные свойства различных подходов к прогнозированию социально-экономических показателей РФ. М.: ИЭПП. Научные труды №135Р, вклад автора: 4,5 п.л.
19. Турунцева М.Ю, 2011а, Прогнозирование в России: обзор основных моделей, Экономическая политика, №1 (февраль), стр. 193-202.
20. Турунцева М.Ю, 20116, Прогнозы внешнеторговых показателей: сравнительных анализ качественных свойств различных моделей, Российский внешнеэкономический вестник, №2, стр. 35-45.
21. Турунцева М.Ю, 2011в, Статистические методы оценки качества прогнозов экономической деятельности, Российское предпринимательство, №8, выпуск 1, стр. 50-57.
22. Френкель А.А., 2007, Прогнозирование производительности труда. Методы и модели, Москва: Экономика, 222 с.
23. Юдаева К., Иванова Н., 2008, Монстр инфляции и как с ним бороться, Москва, Независимая газета, 01.04.2008.
24. Юдаева К., Иванова Н., 17.09.2009, Инфляция в России: итоги восьми месяцев и прогноз до конца 2009 г., Москва, Центр макроэкономических исследований Сбербанка России.
25. Юдаева К., Иванова Н., 2010а, Прогноз развития российской экономики, Москва, Центр макроэкономических исследований Сбербанка России
26. Юдаева К., Иванова Н., 20106, Прогноз инфляции на 2010 г., Москва, Центр макроэкономических исследований Сбербанка России.
27. Юдаева К., Иванова Н., 2011, Прогноз инфляции на 2011 год: где-то 910, но не 8, Москва, Центр макроэкономических исследований Сбербанка России.
28. Публикации и иные источники на иностранных языках
29. Bai, J., and S. Ng, 2002. Determining the number of factors in approximate factormodels, Econometrica , vol. 70, #1, pp. 191-221;
30. Bai J., 1997, Estimation of a change point in multiple regression models, The review of economics and statistics, vol. 79, pp. 551-563.
31. Bai J., and P. Perron, 1998, Estimating and testing linear models with multiple structural changes, Econometrica, vol. 66, pp. 47-78.
32. Banerjee, A., R.L. Lumsdaine, and J.H. Stock, 1992, Recursive and Sequential Tests of the Unit Root and Trend-Break Hypothesis: Theory and International Evidence, Journal of Business and Economic Statistics, vol. 10 (3), pp. 271-287.
33. Bates J.M. and C.W.J Granger, 1969, The Combination of Forecasts, OR, vol. 20, #4 (Dec.), pp. 451-468.
34. Boivin, J., and S. Ng, 2006, Are More Data Always Better for Factor Analysis, Journal of Econometrics, vol. 132, pp. 169-194;
35. Box, G. and G. Jenkins, 1970, Time series analysis: Forecasting and control, San Francisco: Holden-Day.
36. Bunn D.W., 1981, Two Methodologies for the Linear Combination of Forecasts, The Journal of the Operational Research Society, vol. 32, #3 (March), pp. 213-222.
37. Capistran C., 2008, Bias in Federal Reserve Inflation Forecasts: Is the Federal Reserve Irrational or Just Cautious?, Journal of Monetary Economics, vol. 55, pp. 1415-1427.
38. Clark Т. E. and M. W. McCracken, 2008, Improving Forecast Accuracy by Combining Recursive and Rolling Forecasts, Working Paper 2008-028A, August, Federal Reserve Bank of St. Louis, интернет-источник: http://research.stlouisfed.org/wp/2008/2008-028.pdf
39. Clements M. P., and D.F. Hendry, 1998a, Forecasting Economic Processes, International Journal of Forecasting, vol. 14, №l,pp. 111-131.
40. Clements M. P., and D.F. Hendry, 1998b, Forecasting Economic Time Series, Cambridge: Cambridge University Press (The Marshall Lectures on Economic Forecasting).
41. Clements M.P. and D.F. Hendry (2001) Forecasting Non-Stationary Economic Time Series, The MIT Press, Cambridge (Massachusetts), London (England).
42. Cochrane, J.H, 1988, How Big Is the Random Walk in GNP?, Journal of Political Economy, vol. 96(5), pp. 893-920, October.
43. Dickey, D.A., 1976, Estimation and Hypothesis Testing in Non-stationary Time Series, Iowa State University, Ph.D. thesis.
44. Dickey, D.A., and W.A. Fuller, 1979, Distribution of the Estimators for Autoregressive Time Series with a Unit Root, Journal of the American Statistical Association, vol. 74, pp. 427-431.
45. Dickey, D.A., and W.A. Fuller, 1981, Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root, Econometrica, vol. 49, #4 (July), pp. 1057-1072.
46. Diebold F.X., 2007, Elements of Forecasting, 4th ed., Thomson South-Western.
47. Diebold F.X., and R.S. Mariano, 1995, Comparing Predictive Accuracy, Journal of Business and Economic Statistics, № 13 (3), pp. 253-263.
48. Documentation of The DRI Model of the U.S. Economy, 1993, интернет-источник: ftp://ftp.eia.doe.gov/modeldoc/iTi061 .pdf
49. Duesenberry J.S., G. Fromm, L.R. Klein, and E. Kuh (eds. by), 1965, The Brookings Quarterly Econometric Model of the United States, Chicago: Rand McNally & Company, Amsterdam: North-Holland Publishing Company.
50. Elliot, G., T.J. Rothenberg, and J.H. Stock, 1996, Efficient Tests for an Autoregressive Unit Roots, Econometrica, vol. 64, #4 (July), pp. 813-836.
51. Engle, R.F. and C.W.J. Granger, 1987, Cointegration and Error Correction: Representation, Estimation and Testing, Econometrica, vol. 55, pp. 251-276
52. Entorf H., 1997, Random Walks with Drifts: Nonsense Regression and Spurious Fixed-Effect Estimation, Journal of Econometrics, vol. 80, pp. 287-296.
53. Faust, J., and J.H. Wright, 2009, Comparing Greenbook and Reduced Form Forecasts Using Large Realtime Dataset, Journal of Business and Economic Statistics, vol. 27, #4 (October), pp. 468-479.
54. Fromm G. and L.R. Klein (eds. by), 1975, The Brookings Model: Perspective and Recent Developments, Amsterdam: North-Holland Publishing Company.
55. Giannone, D., L. Reichlin, and D. Small, 2008, Nowcasting GDP: the Real Time Informational Content of Macroeconomic Data Releases, Journal of Monetary Economics, vol. 55, pp. 665-676;
56. Granger, C.W.J., 1969, Investigating Causal Relations by Econometric Models and Cross-Spectral Methods, Econometrica, vol. 37, #3 (Aug.), pp. 424-438.
57. Granger C.W.J., and P. Newbold, 1974, Spurious Regression in Econometrics, Journal of Econometrics, vol. 2, 111-120.
58. Granger, C.W.J, and P. Newbold (1977), Forecasting Economic Time Series, Orlando, Florida: Academic Press.
59. Granger, C.W.J., and R. Ramanathan (1984), Improved Methods of Combining Forecast Accuracy, Jo urn al of Forecasting, vol. 19, pp. 197-204.
60. Haavelmo Т., 1944, The Probability Approach in Econometrics, Econometrica, vol. 12, July, pp. 1-118, Supplement.
61. Hamilton, J.D., 1994, Time Series Analysis, Princeton: Princeton University Press.
62. Hansen B. E., 2008, Least-squares forecast averaging, Journal of Econometrics, vol. 146, pp. 342-350.
63. Harvey, A.C., 1981a, The Econometric Analysis of Time Series, Deddington: Philip Allan.
64. Harvey, A.C., 1981b, Time Series Models, London: Philip Allan.
65. Harvey D.I., S.J. Leybourne, and A.M. Taylor, 2010, Robust Methods for Detecting Multiple Level Breaks in Autocorrelated Time Series, Journal of Econometrics, vol. 157(2), pp. 342-358.
66. Hendry, D.F., and M.S. Morgan, 1995, The Foundations of Econometric Analysis, Cambridge: Cambridge University Press.
67. Hylleberg, S., R.F. Engle, C.W.J. Granger, and B.S. Yoo, 1990, Seasonal Integration and Cointegration, Journal of Econometrics, vol. 44, pp. 215-238.
68. Johansen, S., 1992, Testing Weak Exogeneity and the Order of Cointegration in UK Money Demand Data, Journal of Policy Modelling, vol. 14, pp. 313-334.
69. Kalman, R.E., 1960, A New Approach to Linear Filtering and Prediction Problems, Journal of Basic Engineering, vol. 82, pp. 35-45.
70. Keane, M.P., Runkle, D.E., 1989, Are Economic Forecast Rational?, Federal Reserve Bank of Minneapolis, Quarterly Review #1323, Spring
71. Keane, M.P., Runkle, D.E., 1990, Testing the rationality of price forecasts: new evidence from panel data, American Economic Review, vol. 80, 714-735
72. Kejriwal, M., and P. Perron, 2010, A Sequential Procedure to Determinate the Number f Breaks in Trend with an Integrated or Stationary Noise Components, Journal of Time Series Analysis, vol. 31, pp. 305-328.
73. Keynes J.M., 1939, Professor Tinbergen's Method, Economic Journal, vol. 44, pp. 558-568.
74. Klein L.R., and E. Burmeister (eds.), 1976, Econometric Model Performance, Philadelphia: University of Pennsylvania Press.
75. Leybourne, S J, 1995. Testing for Unit Roots Using Forward and Reverse Dickey-Fuller Regressions, Oxford Bulletin of Economics and Statistics, vol. 57(4), pp. 559-71, November.
76. Leybourne, S.J. and B.P.M. McCabe, 1999, Modified Stationarity Tests with Data-Dependent Model-Selection Rules, Journal of Business & Economic Statistics, vol. 17(2), pages 264-70, April.
77. Lukas, 1976, Econometric Policy Evaluation: a Critique, in Brunner K. and A. Meitzer (eds.), The Phillips Curve and Labor Markets, vol. 1 of CarnegieRochester Conferences on Public Policy, pp. 19-46, Amsterdam: North-Holland.
78. Lumsdaine R.L., and D.H. Papell, 1997, Multiple Trend Breaks and the Unit-Toot Hypothesis, The Review of Economics and Statistics, vol. 79 (2), pp. 212-218.
79. Marget A.W., 1929, Morgensten on the Methodology of Economic Forecasting, Journal of Political Economy, vol. 37, pp. 312-339.
80. Makridakis, S. and M. Hibon, 2000, The M3-Competition: Results, Conclusions and Implications, International Journal of Forecasting, vol. 16, pp. 451-476.
81. Makridakis S. and R. L. Winkler, 1983, Averages of Forecasts: Some Empirical Results, Management Science, Vol. 29, No. 9 (Sep., 1983), pp. 987-996.
82. Meese, R.A. and K. Rogoff (1988), Was it Real? The Exchange Rate Interest Differential Relation over the Modern Floating-Rate Period, Journal of Finance, vol. 43,pp.933-948.
83. Mills, T.C., and R.N. Markellos, 2008, The Econometric Modelling of Financial Time Series, Cambridge University Press.
84. Morgan, W.A. (1939-1940), A test for the Significance of the Difference Between the two variances in a Sample From Normal Bivariate Population, Biometrika, vol. 31,pp. 13-19.
85. Morgan, M.S.,1990, The History of Econometric Ideas, Cambridge: Cambridge University Press.
86. Morgenstern, O., 1928, Wirtschaftsprognose: eine Untersuchung ihrer Voraussetzungen und Möglichkeiten, Vienna: Julius Springer.
87. Nelson, C.R., and H. Kang, 1981, Spurious Periodicity in Inappropriately Detrended Time Series, Econometrica, vol. 49, #3 (May), pp. 741-751.
88. Nelson, C.R., and H. Kang, 1984, Pitfalls in the Use of Time as an Explanatory Variables in Regression, Journal of Business and Economic Statistics, vol. 2, #1 (Jan.), pp. 73-82.
89. Nelson, C.R., and C.R. Plosser, 1982, Trends and Random Walks in Macroeconomic Time Series: Some Evidence and Implications, Journal of Monetary Economics, vol. 10, #2, pp. 139-162.
90. Ng, S., and P. Perron, 1997, Lag Length Selection and the Construction on Unit Root Tests with Good Size and Power, Boston College Working Papers in Economics, #369, Boston College Department of Economics.
91. Ng, S., and P. Perron, 2001, Lag Length Selection and the Construction on Unit Root Tests with Good Size and Power, Econometrica, vol. 69, pp. 1519-1554.
92. Perron, P., 1989, The Great Crash, the Oil Price Shock, and the Unit Roots Hypothesis, Econometrica, vol. 57, #6 (Nov.) pp. 1361-1401.
93. Perron P., 1997, Further Evidence on Breaking Trend Functions in Macroeconomic Variables, Journal of Econometrics, vol. 80, pp. 355-385.
94. Perron, P., and Z. Qu, 2006, Estimated Restricted Structural Changes Models, Journal of Econometrics, vol. 134, pp. 373-399.
95. Pearson, W.M., 1925, Statistics and Economic Theory, Review of Economic and Statistics, vol. 7. pp. 179-197.
96. Phelps R. I., 1981, Forecast Combination, The Journal of the Operational Research Society, vol. 32, № 1 (Jan., 1981), p. 68.
97. Phillips, P.C.B., 1986, Understanding Spurious Regression in Econometrics, Journal of Econometrics, vol. 33, pp. 311-340.
98. Phillips, P.C.B., 1996, Spurious Regression Unmasked, Cowles Foundation Discussion Paper 1135.
99. Phillips, P.C.B., and P. Perron, 1988, Testing for a Unit Root in Time Series Regression, Biometrika, vol. 25, #2 (June), pp. 335-246.
100. Sims Ch.A., 1980a, Comparison on Interwar and Postwar Cycles: Monetarism Revisited, American Economic Review, May, pp.250-257.
101. Sims Ch.A., 1980b, Macroeconomics and Reality, Econometrica, vol. 48, #1 (Jan.), pp. 1—48.
102. Stock, J.H. and M.W. Watson, 1998a, A Comparison of Linear and Non-Linear Univariate Models for Forecasting Macroeconomic Time Series, NBER Working Paper #6607, June.
103. Stock, J. H., and M. W. Watson, 1998b, Diffusion indexes, NBER Working Paper #W6702.
104. Stock, J.H., and M.W. Watson, 1999, Forecasting Inflation, Journal of Monetary Economics, vol. 44(2), pp. 293-335.
105. Stock, J.H., and M.W. Watson, 2002a, Macroeconomic Forecasting Using Diffusion Indexes, Journal of Business and Economic Statistics, vol. 20(2), pages 147162, April.
106. Stock, J.H., and M.W. Watson, 2002b, Forecasting Using Principal Components From a Large Number of Predictors, Journal of American Statistical Association, vol.97, pp. 1167-1179.
107. Stock, J.H., and M.W. Watson, 2005, An Empirical Comparison of Methods for Forecasting Using Many Predictors, Working paper, Harvard University and Princeton University.
108. Theil, H., 1961, Economic Forecasts and Policy, 2d ed., Amsterdam: North-Holland.
109. Theil, H., 1966, Applied Economic Forecasting, Amsterdam: North-Holland.
110. Timmerman, A., 2006, Forecast Combination, in Elliot G., C.W.J. Grander, and A. Timmermann (eds. by), 2006, Handbook of Economic Forecasting, vol.1, Amsterdam: Elsevier.
111. Vogelsang T.J., 1997, Wald-Type Tests for Detecting Breaks in the Trend Function of a Dynamic Time Series, Econometric Theory, vol. 13, pp. 818-849.
112. Wallis K.F., 1989, Macroeconomic Forecasting: a survey, Economic Journal, vol. 9, pp. 28-61.
113. Wallis K.F., J.D. Whitley, 1991, Sources of Error in Forecasts and Expectations: U.K. Economic Models, 1984-8, Journal of Forecasting, vol. 10, pp. 231-253.
114. Watson M.W., 2000, Macroeconomic Forecasting Using Many Predictors, Working Papers, Department of Economics and Woodrow Wilson School, Princeton University.
115. West, K.D., 2006, Forecast Evaluation, in Elliot G., C.W.J. Grander, and A. Timmermann (eds. by), 2006, Handbook of Economic Forecasting, vol.1, Amsterdam: Elsevier.
116. Wiener, N., 1949, Extrapolation, Interpolation and Smoothing of Stationary Time Series, New-York: Wiley.
117. Wilcoxon, F., 1945, Individual Comparisons by Ranking Methods, Biometrics Bulletin, vol. 1 (6), Dec., pp. 80-83.
118. Yule G.U., 1926, Why Do We Sometimes Get Nonsense Correlation Between Time Series? A Study in Sampling and the Nature of Time Series, Journal of Royal Statistical Society, vol. 89, pp. 1-64.
119. Zivot E., and D.W.K. Andrews, 1992, Further Evidence on the Great Crash, the Oil-Price Shock, and Unit-Root Hypothesis, Journal of Business and Economic Statistics, vol. 79 (2), pp. 251-270.
120. Zou, H. and Y. Yang (2004), Combining Time Series Models for Forecasting, International Journal of Forecasting, vol. 20, pp. 69-84.1. Интернет-источники:
121. Модель ЦЭМИ РАН: http://serverl.data.cemi.rssi.ru/GRAF/Notice.htm
122. Модель ЦМАКП: http://www.forecast.ru/mainframe.asp
123. Модели ИНП РАН: http://www.macroforecast.ru/
124. Прогнозы Центра развития: http://www.dcenter.ru/
125. Прогнозы Центра анализа данных НИУ ВШЭ: http://id.hse.ru/index.php?page=rossekonom
126. Прогнозы ЭЭГ: http://www.eeg.ru/pages/24
127. Прогнозы РБК: http://consensus.rbc.ru/economy russia/
128. Источники статистических данных:
129. Сайт Центрального банка Российской Федерации: www.cbr.ru
130. Сайт Международного Валютного Фонда: www.imf.org
131. Сайт Федеральной службы государственной статистики Российской Федерации: www.gks.ru
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.