Economy: problems and practical issues

 

2.3.

 

Metodologiya 

Bu məqalədə istifadə olunan qiymətləndirmə metodologiyaları klassik və Bayez əsaslı VAR 

(BVAR)  modelləri  yanaşmasıdır.  Biz  kiçik  miqyaslı  (7  dəyişənli)  modeli  qiymətləndirərkən 

klassik  VAR  yanaşmasından,  iri  miqyaslı  (32  dəyişənli)  modeli  qiymətləndirərkən  isə  BVAR 

yanaşmasından istifadə edirik. Klassik VAR yanaşması standard qiymətləndirmə metodologiyası 

olduğundan  ondan  geniş  söhbət  açmaq  istəmirik.  Biz  burada  daha  çox  BVAR  qiymətləndirmə 

metodologiyası üzərində dayanacağıq. 

Ümumiyyətlə,  praktikada  makroiqtisadi  göstəricilərin  proqnozlaşdırılması  üçün  BVAR 

modellərinə  geniş  müraciət  olunur  və  bunun  əsas  səbəbi  digər  modellərə  görə  onların 

proqnozlaşdırma dəqiqliyinin daha yüksək olmasıdır. Klassik VAR yanaşmasından fərqli olaraq 

BVAR  yanaşması  Bayez  düsturu  vasitəsi  ilə  ilkin  qənaətlərin  (təsəvvürlərin)  statistik 

məlumatlardan  əldə  olunan  yeni  informasiya  əsasında  yenilənməsinə  əsaslanır.  Başqa  sözlə, 

tədqiqatçının statistik məlumatlara baxmadan modellərin əmsalları haqqında malik olduğu ilkin 

təsəvvürlər  göstəricilərin  daşıdığı  informasiya  yükü  əsasında  yenilənir.  Belə  ki,  əmsalların 

qiymətləri ilə bağlı ilkin qənaətlərin (prior) müştərək ehtimal paylanması statistik məlumatların 

mümkünlük  funksiyası  ilə  qarşılaşdırılaraq  əmsallar  üzrə  posterior  ehtimal  paylanması  əldə 

olunur.  Qeyd  etmək  lazımdır  ki,  əgər  statistik  məlumatlardakı  informasiya  yükü  ilkin 

qənaətlərdən fərqlənmirsə, bu zaman qiymətləndirilən əmsalların yenilənməsi həyata keçirilmir.   

Bu  məqalədə  Banbura,  Giannone  və  Lenzanın  (2010)  təklif  etdiyi  metodologiya  əsasında 

modelin əmsalları ilə bağlı ilkin qənaətlər süni (fiktiv) dəyişənlər vasitəsi ilə modelə daxil edilir. 

Belə ki, istifadə edilən göstəricilər üzrə müşahidələrə süni dəyişənlər əlavə edilir və ekonometrik 

qiymətləndirmə  aparılır.  Birinci  qrup  süni  dəyişənlər  avtoreqressiv  əmsallar,  ikinci  qrup  süni 

dəyişənlər isə kovarians matrisi haqqında ilkin qənaətləri modelə inteqrasiya etmək üçün istifadə 

olunur. Üçüncü qrup süni dəyişənlər reqressiya sabiti ilə bağlı qeyri-informativ ilkin qənaətləri, 

nəhayət  dördüncü  qrup  süni  dəyişənlər  isə  Doan,  Litterman  və  Sims  (1984)  tərəfindən  təklif 

olunan  reqressiya  əmsallarının  cəmi  ilə  bağlı  qənaətləri  modelə  daxil  edir.  Əmsalların  ilkin 

(prior)  ehtimal  paylanmasının  kiplik  dərəcəsinə  nəzarət  edən



  parametrinin  qiyməti  0.1,  cəmi 

əmsallar  üzrə  ilkin  qənəatin  kiplik  dərəcəsini  tənzimləyən  parametrin  qiyməti 





10



olaraq 

müəyyənləşdirilir.  

Əmsalların  qiymətləndirilməsi  Qibbs  nümunə  götürmə  alqoritmi  əsasında  həyata  keçirilir. 

Başqa  sözlə,  əmsallar  üzrə  posterior  ehtimal  paylanması  Qibbs  alqoritmi  vasitəsi  ilə 

approksimasiya  edilir.  Belə  ki,  Qibbs  alqoritmindən  istifadə  etməklə  şərti  posterior  ehtimal 

paylanmasından nümunə götürülməsi 10,000 dəfə təkrarlanır, onlardan ilk 9,000-i atılır və qalan 

1,000 nümunə əsasında qiymətləndirmə aparılır. 

---

 Bu  məqalədə  biz  şərtsiz  proqnozlar  üzərində  deyil,  daha  çox  müxtəlif  ssenari  analizlərinin 

aparılmasına  imkan  verən,  həmçinin  siyasət  qurucularının  da  maraq  dairəsində  olan  şərti 

proqnozlar üzərində dayanacağıq. Praktikada tez-tez çox tənlikli sistemlər üzrə şərti proqnozların 

hesablanması  və  onlar  üzrə  etibarlılıq  intervallarının  qurulması  Vaqqoner  və  Zha  (1999) 

tərəfindən  təklif  olunmuş  alqoritm  əsasında  həyata  keçirilir.  Qeyd  etmək  lazımdır  ki,  şərti 

proqnozlaşdırma  aparılarkən  modeldəki  stoxastik  şoklarının  gözlənilən  qiyməti  şərtsiz 

proqnozlaşdırmadan fərqli olaraq sıfır olmur. Vaqqoner və Zha (1999) yanaşması imkan verir ki, 

müştərək  ehtimal  paylanma  əsasında  gələcək  şokların  trayektoriyası  əldə  olunarkən  müşahidə 

olunan dəyişənlərin şərti trayektoriyası nəzərə alınsın. Bizim burada istifadə edəcəyimiz birinici 

şərti proqnozlaşdırma metodologiyası Vaqqoner və Zha (1999) yanaşması olsa da, bu sahədə bir 

sıra digər yanaşmalar da mövcuddur (Benes, Binning and Lees (2008), Banbura, Giannone and 

Reichlin  (2014),  və  s.).  Bu  məqalədə  şərti  proqnozların  qurulması  üçün  istifadə  edəcəyimiz 

ikinci yanaşma Kalman filterinə əsaslanan Banbura, Giannone və Reichlinin (2014) təklif etdiyi 

metodologiyadır.  Bu  yanaşma  göstəricilər  üzrə  müəyyən  tarixlərdə  mövcud  olmayan 

müşahidələrin  Kalman  filteri  əsasında  generasiyası  prinsipinə  əsaslanır.  Kalman  filteri  dövrü 

diapazonda  rekursiv  alqoritm  olduğundan  proqnoz  dövrünün  uzunluğu  və  modelə  daxil  edilən 

dəyişənlərin  sayı  artdıqca  Banbura,  Giannone  və  Reichlin  (2014)  yanaşmasının  hesablama 

üstünlyü qabarıq olaraq üzə çıxır.