Economic Research and Perspectives

Economic Research and Perspectives

Forecasting Iran's Agricultural Sector Growth: Using Mixed-frequency Data Sampling (MIDAS) Model

Document Type : Original Research

Authors
Esmaeil Pishbahar 1
Sheida Bodagh 2
Ghader Dashti 3
1 Associate Professor of Agricultural Economics, University of Tabriz, Tabriz, Iran
2 M.A. Student of Agricultural Economics, University of Tabriz, Tabriz, Iran
3 Professor of Agricultural Economics, University of Tabriz
Abstract
Today, forecasting of economic and commercial variables as an important scientific field is developing, and forecasting of macroeconomic variables is of special importance for planners, policy makers and economic enterprises. The agricultural sector, as a producer of strategic products and provider of food for the growing population, has a great influence on economic, social and political decisions. Considering the importance of the agricultural sector in Iran as well as the existence of different and uncontrollable influential factors, the researchers who focus on agricultural sector’ growth, try to use methods of forecasting in order to get results close to reality, reduce the prediction errors, and design policies and plans to improve the place of this sector. In this paper, the mixed frequency data-sampling model (MIDAS) has been used to predict the growth of agricultural sector’ value added. Comparison of the model predictions with actual data indicates the predictive power of the model. This model has predicted the growth rate of agricultural sector's value added over the period 2017-2021 by 3.215%, 2.53%, 2.92%, 5.29%, and 5.99%, respectively.
Keywords
Agricultural Growth
ARDL Model
Forecast
Iran
Regression with Mixed Data

Subjects

1. بیات، م. و نوفرستی. م. 1394. اقتصادسنجی کاربردی سری‌های زمانی: الگوی داده‌های ترکیبی با تواتر متفاوت، انتشارات نور علم.
2. رجبی، م. و مقدسی، ر. 1393. به‌کارگیری الگوهای رگرسیونی شامل داده‌های مختلط در مدل‌سازی و پیش‌بینی ارزش واردات گندم ایران (روش ARDL تعمیم‌یافته مبتنی بر OLS). نشریه اقتصاد و توسعه کشاورزی، جلد 28، شماره 2، ص: 148-138.
3. زارع مهرجردی، م. و جاودان، ا. 1390. پیش‌بینی نرخ رشد بخش کشاورزی ایران( مقایسه روش‌های تک متغیره و چند متغیره). اقتصاد کشاورزی، جلد 5، شماره 1، ص: 101- 81.
4. سام‌دلیری، ا. و خلیلیان، ص. 1385. پیش‌بینی نرخ رشد و نرخ تورم در بخش کشاورزی ایران. تحقیقات اقتصادی، شماره 74، ص: 215-183.‌
5. سوری، ع. 1392. اقتصادسنجی پیشرفته، چاپ اول، جلد دوم، انتشارات فرهنگ‌شناسی.
6. صیادی، ف. و مقدسی، ر. 1394. اثر قیمت انرژی بر قیمت غلات با استفاده از الگوهای رگرسیونی یا داده‌های مختلط (روش ARDL تعمیم‌یافته مبتنی بر OLS). فصلنامه علمی- پژوهشی مطالعات اقتصادی کاربردی ایران، دوره 4، شماره 15، ص:160- 149.
7. محنت‌فر، ی.، سلیمانی، ح. و بابایی، ب. 1394. تأثیر ارزش‌افزوده بخش‌های مختلف اقتصادی بر رشد اقتصادی استان‌ها در برنامه چهارم توسعه با استفاده از داده‌های تابلویی. پژوهشنامه کلان علمی-پژوهشی، سال 10، شماره 20.
8. نوفرستی، م. و بیات، م. 1392. پیش‌بینی رشد اقتصادی ایران به کمک الگوی داده‌‌های ترکیبی با تواتر متفاوت. فصلنامه اقتصاد و الگوسازی دانشگاه شهید بهشتی.
9. Alper, C. E., Fendoglu, S., and Saltoglu, B. (2008). Forecasting stock market volatilities using MIDAS regressions: An application to the emerging markets.
10. Bai, J., Ghysels, E. and Wright, J. H. (2013). State space models and MIDAS regressions. Econometric Reviews, 32(7): 779-813.
11. Bessec, M., and Bouabdallah, O. (2012). Forecasting GDP over the Business Cycle in a Multi‐Frequency and Data‐Rich Environment. Oxford Bulletin of Economics and Statistics, 77(3):, 360-384.
12. Clements, M. P. and Galvão, A. B. (2008). Macroeconomic forecasting with mixed-frequency data: Forecasting output growth in the United States. Journal of Business and Economic Statistics, 26(4): 546-554.
13. Foroni, C., Marcellino, M. and Schumacher, C. (2015). Unrestricted mixed data sampling (MIDAS): MIDAS regressions with unrestricted lag polynomials. Journal of the Royal Statistical Society: Series A (Statistics in Society), 178(1): 57-82.
14. Ghysels, E., Santa-Clara, P. and Valkanov, R. (2004). The MIDAS touch: Mixed data sampling regression models.
15. Ghysels, E. and Ozkan, N. (2015). Real-time forecasting of the US federal government budget: A simple mixed frequency data regression approach. International Journal of Forecasting, 31(4): 1009-1020.
16. Johnston, B. F., and Mellor, J. W. (1961). The role of agriculture in economic development. The American Economic Review, 51(4), 566-593.
17. Jam, F. A., and Mehmood, S. (2013). Time Series Model to Forecast Area of Mangoes from Pakistan: An Application of Univariate ARIMA Model. Academy of Contemporary Research Journal, II (I): 10-15.
18. Lanne, M., Nyberg, H., and Saarinen, E. (2011). Forecasting US macroeconomic and financial time series with non-causal and causal AR models: a comparison.
19. Lundin, J., and Toom, T. 2014. Forecasting U.S. unemployment rate a MIDAS approach with initial claims as leading indicator. MPRA Paper No. 7460, posted 6. March 2008 -07-15.
Economic Research and Perspectives
Volume 19, Issue 3
Autumn 2019
Pages 145-161